AI Искусственный интеллект представляет собой мощный инструмент, способный значительно улучшить нашу жизнь и работу. ChatGPT используется мной для помощи в общении с людьми, предоставления информации, объяснения сложных концепций и поддержки в решении задач. Это возможность быстро получать и обмениваться знаниями, что особенно полезно во время исследований и разработки новых идей.
В процессе перехода на взаимодействие с ним мы должны были решить следующие вопросы:
Вот несколько способов обеспечить эффективное взаимодействие с ChatGPT: 1. Ясно сформулируйте вопросы или задачи: Чем точнее и яснее будет сформулирован вопрос или задача, тем более точный и полезный будет ответ от ChatGPT. 2. Используйте конкретные примеры: Если вопрос связан с конкретной ситуацией или проблемой, предоставьте ChatGPT примеры, чтобы он мог дать наиболее релевантный ответ. 3. Задавайте последовательные вопросы: Если ваш запрос требует дополнительной информации или уточнений, задавайте последовательные вопросы, чтобы получить полное исследование темы. 4. Используйте ключевые слова: Если вы ищете информацию по определенной теме, используйте ключевые слова или термины, чтобы помочь ChatGPT сузить круг запроса и дать более точные ответы. 5. Оцените ответы и задайте уточняющие вопросы: Оцените ответ от ChatGPT и, если необходимо, задайте уточняющие вопросы, чтобы получить более глубокое понимание темы. 6. Не стесняйтесь просить разъяснений: Если ответ ChatGPT вызывает вопросы или не ясен, попросите его разъяснить или дать дополнительные пояснения. Соблюдение этих рекомендаций поможет максимально эффективно использовать ChatGPT для получения нужной информации или помощи в решении задач.
Для контроля результатов выдачи ChatGPT можно использовать несколько стратегий: 1. Ясная формулировка запроса: Сформулируйте свой запрос четко и конкретно, чтобы получить точный ответ от ChatGPT. 2. Уточнение вопроса: Если результат не соответствует ожиданиям, уточните вопрос или запрос, чтобы ChatGPT понял ваш запрос лучше. 3. Проверка и интерпретация: Внимательно читайте ответ ChatGPT и проверяйте его на соответствие вашему вопросу. Иногда может потребоваться интерпретация ответа с учетом контекста. 4. Использование уточняющих вопросов: Если результат не ясен или требует дополнительной информации, задавайте уточняющие вопросы для получения более точного ответа. 5. Оценка достоверности: При необходимости оцените достоверность информации, предоставленной ChatGPT, особенно если речь идет о фактических данных или специализированных знаниях. 6. Обратная связь: Если результаты не удовлетворяют ваши ожидания, дайте обратную связь, чтобы ChatGPT мог лучше понять ваши предпочтения или потребности. Эти стратегии помогут вам контролировать результаты выдачи ChatGPT и обеспечить более эффективное взаимодействие с системой.
Обеспечение безопасности в использовании ChatGPT включает несколько важных аспектов: 1. Конфиденциальность данных: Убедитесь, что чувствительные данные не передаются или не сохраняются ChatGPT без необходимости. Важно использовать защищенные каналы связи и хранения данных. 2. Контроль доступа: Ограничьте доступ к функциям и данным ChatGPT только для авторизованных пользователей или систем. 3. Обучение и фильтрация контента: При обучении ChatGPT на специфических данных компании убедитесь в анонимизации и защите персональных данных, чтобы избежать утечек информации. 4. Мониторинг использования: Ведите логирование и мониторинг действий ChatGPT для быстрого обнаружения и реагирования на любые несанкционированные действия или аномалии. 5. Обновления и патчи: Регулярно обновляйте программное обеспечение, включая ChatGPT, чтобы исправлять уязвимости и обеспечивать безопасность. 6. Обучение пользователей: Проводите обучение сотрудников по правилам безопасности и политикам использования ChatGPT. Соблюдение этих мер поможет минимизировать риски и обеспечить безопасное использование ChatGPT в вашей компании.
На данный момент существует несколько вариантов ChatGPT, которые различаются по их функциональности и доступности:
Использование ChatGPT может повлиять на контроль рабочего времени сотрудников следующим образом: 1. Автоматизация задач: ChatGPT может использоваться для выполнения рутиных задач или запросов, которые раньше занимали времени сотрудников. Это может освободить время для выполнения более важных задач. 2. Поддержка в работе: Сотрудники могут обращаться к ChatGPT за помощью и консультациями. Это может сократить время ожидания ответов и ускорить решение проблем. 3. Мониторинг активности: ChatGPT может использоваться для сбора данных о рабочих процессах и активности сотрудников, что может помочь в оценке производительности и эффективности. 4. Обучение и развитие: ChatGPT может использоваться для обучения сотрудников новым навыкам и процессам, что может повлиять на их профессиональное развитие и производительность. 5. Оптимизация коммуникации: ChatGPT может улучшить внутреннюю коммуникацию и сотрудничество, обеспечивая быстрый доступ к информации и ресурсам. Однако важно учитывать, что использование ChatGPT должно быть четко настроено и интегрировано в рабочие процессы, чтобы не приводить к нежелательным эффектам, таким как потеря контроля над рабочим временем или недопонимание среди сотрудников.
ChatGPT может помочь автоматизировать или заменить некоторые функции в компании, в зависимости от специфики работы. Вот несколько позиций, которые могут быть частично или полностью заменены: 1. Служба поддержки клиентов: ChatGPT может обрабатывать запросы клиентов, предоставлять информацию и решать типичные проблемы без вмешательства человека. 2. Контент-менеджеры и копирайтеры: Создание базового контента, написание статей, рекламных текстов и других материалов. 3. Ассистенты и секретари: Выполнение рутинных задач, таких как планирование встреч, обработка запросов и управление расписанием. 4. Аналитики данных: Основные задачи по обработке данных и составлению отчетов, хотя более сложный анализ все еще требует человеческого участия. 5. HR-специалисты: Начальные этапы подбора кандидатов, например, предварительные собеседования и отбор резюме, могут быть автоматизированы. Важно отметить, что хотя ChatGPT может автоматизировать некоторые задачи, для многих ролей требуется человеческое участие для принятия сложных решений, креативности и межличностного общения.
Определения и подходы в изучении Искусственного Интеллекта (ИИ / AI, Artificial Intelligence)
Электричество и Интернет коренным образом изменили жизнь человечества в XX веке. В XXI веке такого же масштаба революцию в жизни человека может совершить искусственный интеллект (ИИ). ИИ трансформирует восприятие человеком машин и его взаимодействие с ними. Машины, выполняя более широкий круг задач, смогут справиться с некоторыми видами работ лучше, чем люди.
Виртуальная реальность, робототехника, искусственный интеллект и машинное обучение, а также большие данные и Интернет вещей — это инструментальные средства цифровой трансформации в любой компании. Ее конечная цель — радикальное повышение эффективности бизнеса с помощью современных технологий.
ИИ приведет к развитию отношений с потребителями, совершенствованию кадровой работы, оптимизации всех процессов, превращению продуктов в сервисы и даже смене бизнес-модели многих бизнесов.
ИИ имеет давнюю историю, которая насчитывает более полувека. Нынешнее возрождение интереса считается третьим по счету, однако происходит на совершенно ином фундаменте. Раньше исследования в сфере ИИ тормозились недостатком вычислительных мощностей. Нынешняя инфраструктура и экосистема позволили искусственному разуму начать «думать». Объемы памяти и возможности обработки данных, облачные вычисления, высокоскоростная оптоволоконная связь, повсеместное распространение Wi-Fi и Интернета вещей — все это создает идеальные условия для развития ИИ.
Еще двадцать лет назад лишь крупные компании работали над ИИ, теперь у каждого разработчика есть доступ к быстрому соединению, мощным устройствам и технологической инфраструктуре, созданным большими корпорациями. Никогда прежде не было такого широкого доступа к колоссальным массивам данных о людях, тем более в открытом доступе. Благодаря всем этим новым вводным практически любой желающий может заняться исследованиями в сфере ИИ.
Несмотря на длительную историю развития искусственного интеллекта, до сих пор нет единого определения и понимания искусственного интеллекта.
Интеллект (от лат. intellectus — ощущение, восприятие, разумение, понимание, понятие, рассудок), или ум — качество психики, состоящее из способности приспосабливаться к новым ситуациям, способности к обучению и запоминанию на основе опыта, пониманию и применению абстрактных концепций и использованию своих знаний для управления окружающей средой. Интеллект — это общая способность к познанию и решению трудностей, которая объединяет все познавательные способности человека: ощущение, восприятие, память, представление, мышление, воображение.
В начале 80-х гг. ученые в области теории вычислений Барри Файгенбаум предложили следующее определение ИИ. Искусственный интеллект — это область информатики, которая занимается разработкой интеллектуальных компьютерных систем, то есть систем, обладающих возможностями, которые мы традиционно связываем с человеческим разумом, — понимание языка, обучение, способность рассуждать, решать проблемы и т. д.
Сейчас к ИИ относят ряд алгоритмов и программных систем, отличительным свойством которых является то, что они могут решать некоторые задачи так, как это делал бы размышляющий над их решением человек.
Основные свойства ИИ — это понимание языка, обучение и способность мыслить и, что немаловажно, действовать.
В связи с эволюцией понятия ИИ необходимо также упомянуть о так называемом AI Effect (эффект ИИ). Эффект ИИ происходит, когда наблюдатели девальвируют значимость демонстрации навыки ИИ каждый раз, когда он реально достигает немыслимого ранее результата. Так, автор Памела МакКордак (Pamela McCorduck) пишет, что часть истории области искусственного интеллекта состоит в том, что каждый раз, когда кто-то придумывает, как научить компьютер делать что-то хорошо — играть в шашки, решать простые, но относительно неформализованные проблемы — доносится хор критиков, что это не доказательство мышления и не ИИ. Еще более емко этот эффект описан информатиком Ларри Теслером, дистиллировавшись в емкую теорему Теслера: «ИИ — это все, что не сделано до сих пор».
С конца 40-х годов исследования в области моделирования процесса мышления разделились на два независимых подхода: нейрокибернетический и логический.
История ИИ
Искусственный интеллект имеет довольно обширную историю, которая берет свое начало с работ Тьюринга, датированных серединой 20 века. Хотя концептуальные предпосылки появились еще ранее, в Средние века, когда Рене Декарт предположил, что животное — некий сложный механизм, тем самым сформулировав механистическую теорию. В 1830-х годах английский математик Чарльз Бэббидж придумал концепцию сложного цифрового калькулятора — аналитической машины, которая, как утверждал разработчик, могла бы рассчитывать ходы для игры в шахматы. А уже в 1914 году директор одного из испанских технических институтов Леонардо Торрес Кеведо изготовил электромеханическое устройство, способное разыгрывать простейшие шахматные эндшпили почти так же хорошо, как и человек.
В 1954 году американский исследователь Ньюэлл решил написать программу для игры в шахматы. К работе были привлечены аналитики корпорации RAND Corporation. В качестве теоретической основы программы был использован метод, предложенный основателем теории информации Шенноном, а его точная формализация была выполнена Тьюрингом.
С середины 30-х годов прошлого столетия, с момента публикации работ Тьюринга, в которых обсуждались проблемы создания устройств, способных самостоятельно решать различные сложные задачи, к проблеме искусственного интеллекта в мировом научном сообществе стали относиться внимательно. Тьюринг предложил считать интеллектуальной такую машину, которую испытатель в процессе общения с ней не сможет отличить от человека. Тогда же появился термин Baby Machine — концепция, предполагающая обучение искусственного разума на манер маленького ребенка, а не создание сразу «умного взрослого» робота.
Летом 1956 года в Университете Дартмута в США прошла первая рабочая конференция с участием таких ученых, как Маккарти, Минский, Шеннон, Тьюринг и другие, которые впоследствии были названы основателями сферы искусственного разума. В течение 6 недель ученые обсуждали возможности реализации проектов в сфере искусственного интеллекта. Именно тогда и появился сам термин artificialintelligence— искусственный интеллект. И именно после этой летней встречи пришло и «первое лето» в развитии проектов, связанных с этой областью.
Как видно, после знаменитой конференции в Дартмуте искусственный интеллект получил впечатляющее развитие. Были созданы машины, которые могли решать математические проблемы, обыгрывать в шахматы, и даже первый прообраз чат-бота, который мог разговаривать с людьми, вводя их в заблуждение по поводу своей осознанности.
Все эти значительные шаги вперед в сфере машинного интеллекта произошли вследствие серьезного финансирования подобных инициатив со стороны военных исследовательских организаций и, в частности, Defence Advanced Research Projects Agency (DARPA), которая была создана как шоковая реакция на запуск первого спутника Советским Союзом.
Последний и текущий всплеск интереса к ИИ произошел в середине 90-х гг. В 1997 году компьютер IBM под названием Deep Blue стал первым компьютером, который победил чемпиона мира по шахматам Гарри Каспарова. В 2011 году система вопросов и ответов Watson той же компании победила бессменных чемпионов последних лет в игре Jeopardy! (российский аналог программы «Своя игра»).
Хотя эта часть новейшей истории сильно похожа на то, что происходило еще 50 лет назад, тем не менее развитие искусственного интеллекта в современную эпоху происходит в принципиально других условиях.
Усложнение систем связи и решаемых задач требует качественно нового уровня «интеллектуальности» обеспечивающих программных систем, таких как защита от несанкционированного доступа, информационная безопасность ресурсов, защита от нападений, смысловой анализ и поиск информации в сетях и т. п. С другой стороны, глобализация экономической жизни поднимает конкуренцию на принципиально иной уровень, где требуются мощные системы управления предприятием и ресурсами, аналитики и прогнозирования, а также радикальное повышение эффективности труда. Третий этап после зимы характеризуется также наличием крупнейшего открытого источника персональных данных и кликстрима в виде Интернета и социальных сетей. Ну и, наконец, исчезает ключевой исторический стоп-фактор развития искусственного интеллекта — мощнейшие вычислительные системы, которые отныне можно строить как на дешевых серверных мощностях, так и в крупнейших облачных платформах в режиме pay-as-you-go.
Все это оправдывает оптимизм вовлеченных людей по поводу 3-й фазы роста искусственного интеллекта. Пессимизм некоторых экспертов относительно того, что направление исследований области вновь чрезмерно раздувается, легко оппонировать тем, что сейчас разработки исследователей вышли далеко за пределы лабораторий и прототипов и продолжают интенсивно проникать практически во все сферы жизни человека, начиная от автономных газонокосилок и пылесосов, оснащенных огромным количеством современных датчиков, и заканчивая умными и обучающимися мобильными ассистентами, которыми пользуются сотни миллионов людей.
Скепсис и алармизм на этом этапе даже скорее направлены в сторону чрезмерного развития и самостоятельности искусственного интеллекта и замены им собственно самих людей, которые уже сейчас уступают машинам в аспекте скоростей и физическом доступе к огромному пласту данных.
В последние несколько лет мы наблюдаем взрыв интереса к нейронным сетям, которые успешно применяются в самых различных областях — бизнесе, медицине, технике, геологии, физике. Нейронные сети вошли в практику везде, где нужно решать задачи прогнозирования, классификации или управления. Такой впечатляющий успех определяется несколькими причинами.
Нейронные сети привлекательны с интуитивной точки зрения, ибо они основаны на примитивной биологической модели нервных систем. Как мы уже отмечали, нейронные сети возникли из исследований в области искусственного интеллекта, а именно из попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки, моделируя низкоуровневую структуру мозга. Сигнальная система биологической нейронной сети, основанная на интенсивности сигнала, получаемого нейроном (а следовательно, и возможность его активации), сильно зависит от активности синапсов. Например, в классическом опыте Павлова каждый раз непосредственно перед кормлением собаки звонил колокольчик, и собака быстро научилась связывать звонок колокольчика с пищей. Синаптические связи между участками коры головного мозга, ответственными за слух, и слюнными железами усилились, и при возбуждении коры звуком колокольчика у собаки начиналось слюноотделение.
Таким образом, будучи построен из очень большого числа совсем простых элементов (каждый из которых берет взвешенную сумму входных сигналов и в случае, если суммарный вход превышает определенный уровень, передает дальше двоичный сигнал), мозг способен решать чрезвычайно сложные задачи.
Машинное обучение (machine learning) — это комплексное применение статистики для поиска закономерностей в данных и создания на их основе нужных прогнозов. Машинное обучение использует алгоритмы, позволяющие компьютеру делать выводы на основании имеющихся данных. Машинное обучение предполагает, что вместо создания программ вручную с помощью специального набора команд для выполнения определенной задачи машину обучают с помощью большого количества данных и алгоритмов, которые дают ей возможность научиться выполнять эту задачу самостоятельно либо с помощью так называемого «учителя» (примеров, обучающих данных).
До недавнего времени ученые в области ИИ избегали нейронных сетей, хотя они были известны уже давно. Даже самые базовые нейронные сети требовали очень мощных вычислений. Однако в середине 2000-хгодов появилась возможность на практике с учетом имеющихся компьютерных ресурсов продемонстрировать принципы многослойного «глубинного обучения». Сам термин приобрел популярность после публикации Джеффри Хинтона и Руслана Салахутдинова, в которой они показали, что можно эффективно предобучать многослойную нейронную сеть, если обучать каждый слой отдельно, а затем дообучать при помощи метода обратного распространения ошибки.
Прорыв стал возможным, когда стало возможным сделать нейронные сети гигантскими по своей величине, увеличив количество слоев и нейронов. Это позволило пропустить через них огромное количество данных для обучения системы, и была добавлена та самая глубина в обучение.
Сегодня системы глубинного обучения, такие как глубокие нейронные сети, свёрточные нейронные сети, глубокие сети доверия и рекуррентные нейронные сети, лежат в основе услуг многих технологических гигантов.
Рынок ИИ состоит из множества компаний и институтов, которые выполняют свои специфические задачи и функции. Хотя современная экосистема на этом рынке в целом пока формируется, однако уже сейчас можно представить, какими будут ее очертания в ближайшем будущем.
Одним из способов, по которому можно классифицировать игроков на рынке, является способ, предложенный CEO SafeGraph Ауреном Хофманом (Auren Hoffman), который подразделяет компании, занимающиеся машинным обучением и ИИ, на три типа:
Каждая из этих типов компаний имеет свою особенность, которая важна для понимания формирующейся экосистемы рынка ИИ.
Это деление сильно напоминает парадигму других, более классических рынков.
Компании типа Superrich — это компании, которые занимаются технологиями ИИ и обладают своими данными. Это такие компании, как Google, Facebook, Baidu, Tencent, Amazon, Microsoft и другие. Таких компаний в мире немного, но у них имеется существенное преимущество: поскольку у них имеется доступ к огромным резервуарам очищенных и структурированных данных, инженеры этих компаний могут заниматься развитием технологий ИИ, базируясь на имеющихся ресурсах, и развивать свои алгоритмы и подходы.
Компании типа Servicers помогают другим компаниям обрабатывать крупные массивы данных. Они могут обработать огромные кластеры данных, в том числе неструктурированных, и добыть необходимые инсайты. Эти компании являются сервисными, поскольку не имеют своих данных, но работают с данными своих клиентов. Одна из таких успешных компаний, к примеру, Palantir Technologies, которая является очень востребованным решением в государственных органах США и помогает им разобраться в данных с минимальными расходами. Другие примеры — это IBM, HP, Oracle, а также различные консалтинговые компании и компании, которые на основе своих решений помогают крупным компаниям улучшить какой-либо аспект бизнеса — ценообразование, логистику, обслуживание клиентов.
Тип компаний-инноваторов сосредоточен на решении специфической проблемы, но не имеет своих данных и при этом не оказывает сервисных услуг другим компаниям. Примерами таких компаний могут быть Two Sigma Investments и Point72 Asset Management, которые тратят миллионы долларов на данные, поскольку не генерируют данные сами. Другие примеры — это Cruise Automation, которая развивает историю самоуправляемых автомобилей и недавно была приобретена GM, и Flatiron Health, которая занимается исследованиями в области рака. Таким компаниям приходится после приобретения данных также чистить их, объединять, то есть проводить предварительные процедуры ETL, прежде чем начать работать с ними.
Компании из категории Superrich обладают могущественными преимуществами перед остальными. Однако можно предположить, что, поскольку доступ к данным становится все более демократичным, компании из двух остальных групп будут тем не менее развиваться высокими темпами. Пример такой демократизации — это Yahoo, выложившая 13,5 Тб данных о том, как вели себя пользователи на главной странице Yahoo и на страницах отдельных сервисов компании, и компания Criteo, разработчик технологических решений для рекламы, опубликовавшая 1 Тб данных.
По мнению экспертов IDC, такие компании, как Amazon, Alphabet, IBM и Microsoft, будут обладать 60 % платформ ИИ. Сейчас эти компании также доминируют в бизнесе, связанном с облачными вычислениями.
Вместе с тем каждая упомянутая компания, взятая по отдельности, наращивает свою собственную экосистему. К примеру, хотя IBM и очень давно занимается вопросами развития ИИ, однако победа ее программно-апаратного решения IBM Watson в шоу Jeopardy! в 2011 стала символическим стартом развития ее экосистемы. Сейчас экосистема IBM Watson— это десятки тысяч разработчиков, предпринимателей и других энтузиастов, которые создали тысячи приложений с помощью Watson Zone on Bluemix, которая является PaaS-решением (Platform as a Service) IBM. Bluemix позволяет любому пользователю использовать 100 инструментов, которые включают в себя сервисы Watson для эффективного создания, запуска и управления приложениями в любой облачной среде.
Искусственный интеллект становится реальностью, и, по всей видимости, именно стартапы будут играть ведущую роль в этой экосистеме. Например, недавно созданная компания ROSS Intelligence разработала «адвоката» на основе технологии ИИ. Машина может проделать работу целого офиса профессиональных юристов. Работающая на мощностях суперкомпьютера IBM Watson система имеет все шансы стать полноценным инструментом в юридической практике. ROSS автоматизирует задачи и процессы, на которые раньше уходили дни и недели работы.
Еще один стартап — разработчик мессенджера для бизнеса Slack — сейчас работает над созданием интеллектуального помощника, который будет автоматически отвечать на стандартные вопросы и тем самым экономить время сотрудников.
«Призма» — российское приложение, переносящее стили известных художников на фото с помощью нейросетей. Программа, на первый взгляд, ничем не отличается от решений конкурентов, превращающих снимки в «шедевры искусства» с помощью наложения фильтров. Однако благодаря использованию нейросетей результаты у новой программы получаются более качественными: речь идет не о наложении фильтра на фотографию, а фактически о ее перерисовке в заданном стиле. Команде разработчиков удалось достигнуть самой высокой скорости работы среди конкурентов, среди которых Dreamscope, веб-сервис deepart.io и Mlvch.
Крупные компании активно присоединяют талантливые проекты к себе. Так, Microsoft приобрела SwiftKey, разработчика мобильной клавиатуры, в которой технологии машинного обучения помогают лучше предсказывать вводимые слова и фразы. Magic Pony Technology с технологией моделирования изображений с опорой на нейросети была куплена Twitter за $ 150 млн. Разработчик микропроцессоров ARM при покупке компании Apical, создателя решений на основе машинного обучения в сфере компьютерного зрения, оценил ее в $ 350 млн.
Инвестиции в искусственный интеллект достигли рекордных значений. При этом большинство сделок прошли на начальных этапах роста стартапов (60 %). Отчасти подобные результаты были достигнуты за счет нескольких крупных инвестиционных сделок: $ 154 млн было вложено в китайский стартап iCarbonX, специализирующийся на разработках для медицинских целей, $ 100 млн было вложено в американский FractalAnalytics, и еще $ 100 млн инвестировали в компанию, занимающуюся кибербезопасностью, — Cylance.
Около 70 % сделок зафиксированы в США. Почти 60 % сделок прошли на начальном этапе финансирования стартапов — посевной этап / серия А. На серии В и С пришлось всего 12 %.
За 5 лет–было приобретено 140 частных компаний, работающих на развитие технологий ИИ, из них 40 приобретений произошло в 2016 году. К гонке присоединяются как компании, меньшие по размеру, так и игроки, которые раньше были неактивны. Например, Samsung вошла на рынок M&A, заключив сделку по приобретению стартапа Viv Labs, который развивает ассистента с ИИ наподобие Siri. Также GE закрыл две сделки в ноябре 2016 года.
Искусственный интеллект стал ключевым технологическим трендом прошлого года, и объем глобальных инвестиций в него превышает $ 500 млн. По прогнозам международной исследовательской компании Markets and Markets, рынок ИИ вырастет за счет применения технологий машинного обучения и распознавания естественного языка в рекламе, розничной торговле, финансах и здравоохранении.
В Gartner считают, что большая часть всех взаимодействий с виртуальными помощниками будет опираться на данные, обработанные нейронными сетями.
Tractica на основе таксономии 191 реального кейса поделила рынок ИИ на 27 секторов. Эксперты предполагают, что такие usecase, как распознавание образов, алгоритмическая биржевая торговля и управление данными пациентов в здравоохранении, имеют колоссальный потенциал масштабирования, в то время как другие кейсы пока являются нишевыми. Динамика ИИ, на их взгляд, будет основываться на шести фундаментальных технологиях: машинное обучение, глубинное обучение, компьютерное зрение, обработка естественного языка, машинная аргументация и сильный ИИ. Хотя в перспективе 10 лет ИИ-технологии повлияют практически на каждый бизнес, основными драйверами рынка станут секторы потребительских продуктов, бизнес-услуг, рекламы и обороны. Tractica предсказывает рост доходов на рынке ИИ до $ 38,8 млрд к 2025 году.
Развитие рынка ИИ в терминах доли на рынке будет происходить преимущественно в Северной Америке, поскольку и сейчас этот регион является центром динамичного развития продвинутых технологий, производственных процессов, инфраструктуры, располагаемого дохода и т. д. Широкая адаптация технологии ИИ в промышленности, медиа и рекламе, здравоохранении, BFSI, транспорте и автопроме является ключевым фактором, поддерживающим рост рынка ИИ в этом регионе.
Сферы применения ИИ достаточно широки и охватывают как привычные слуху технологии, так и появляющиеся новые направления, далекие от массового применения, иначе говоря, это весь спектр решений, от пылесосов до космических станций. Можно разделить все их разнообразие по критерию ключевых точек развития.
Как показывает иллюстрация, ИИ — это не монолитная предметная область. Более того, некоторые технологические направления ИИ фигурируют как новые подотрасли экономики и обособленные сущности, одновременно обслуживая большинство сфер в экономике.
В целях нашего исследования мы воспользовались данным подходом и предлагаем следующую классификацию по разделению основных точек развития и применения в области ИИ:
Как видно, две группы использования ИИ подразделены на физический и виртуальный слой, при этом преобладает виртуальный пласт. Развитие применения использования ИИ по этим направлениям приведет к адаптации технологий в классических отраслях экономики по всей цепочке создания ценности и преобразует их, приводя к алгоритмизированию практически всего функционала, от логистики до управления компанией.
Чат-боты перерисовывают ландшафт IT-экосистемы. Они могут заменить собой и приложения, и обслуживающий персонал в компаниях, и даже целые операционные системы. Чат-бот (Chat-bot) — это программа-собеседник, которая предназначена для общения и помощи человеку. При этом на другом конце всегда находится сложная система, базирующаяся на нескольких технологиях ИИ. Чат-боты, ориентированные на бизнес-задачи, могут подобрать лучший рейс, диету, фитнес-тренировку, забронировать гостиницу, выбрать покупку, то есть они представляют собой новую подотрасль обслуживания и ассистирования.
Согласно эксклюзивным данным опроса BI Intelligence, применение чат-ботов уже взлетело в США, где более половины американских пользователей в возрасте от 18 до 55 лет сейчас использует их.
По прогнозам Gartner, цифровые ассистенты будут «знать» нас к 2018 году на основе собранного кликстрима и накопленных больших данных.
По результатам опроса руководителей компаний голосовой помощник является программным обеспечением № 1. Среди помощников, которыми больше всего пользуются на рабочем месте, были названы Siri от Apple, GoogleAssistant, а также Alexa от компании Amazon. Хотя зрелость голосовых помощников пока на низком уровне, примечательно, что их популярность даже выше программных продуктов, связанных с большими данными.
Персональные ассистенты являются своеобразной инкарнацией чат-ботов, хотя и более распространенной по причине того, что технология развивается крупнейшими IT-компаниями. В настоящее время сотни миллионов людей взаимодействуют с персональными цифровыми ассистентами на таких платформах, как Google, Apple, Amazon, Facebook и другие. Эта технология с помощью персональных ассистентов и чат-ботов делает переход от графического пользовательского интерфейса (Graphical User Interface, GUI) к диалоговому интерфейсу (Conversational User Interface, CUI) ключевым трендом ближайших нескольких лет.
Технологии распознавания образов содержат в себе распознавание паттернов, оптических образов, кода, объектов и цифровых фотографий. Они либо по отдельности, либо в интегрированном виде используются в таких сферах, как безопасность и наблюдение, сканирование и создание изображений, маркетинг и реклама, дополненная реальность и поиск изображений.
Ключевым драйвером этого рынка является уход всех процессов как в бизнесе, так и в потребительском сегменте в облака, а также рост влияния Интернета, смартфонов, социальных медиа. Акторами этого рынка являются такие крупные корпорации, как NEC, Google, Honeywell, Hitachi и Qualcomm Technologies. Также присутствует множество меньших по размеру игроков, таких как LTU Technologies, Attrasoft, Blippar и SLYCE, и таких вендоров, как Catchoom и Wikitude.
Мировой рынок распознавания речи оценен BCC Research в колоссальные $ 90,3 млрд в 2015 году. Ожидается, что этот рынок растет со средними темпами (CAGR) на уровне 12,1 %.
Рынок обработки естественного языка (Natural Language Processing, NLP) оценивается Market And Markets на уровне 16 1 %. Основными драйверами компания считает возрастающий спрос на более продвинутый уровень пользовательского опыта, рост пользования умными девайсами, рост инвестиций в здравоохранение, растущее применение сетевых и облачных бизнес-приложений и рост M2M-технологий.
Огромный скачок в системе распознавания речи сделала Microsoft, которая объявила, что ее система распознавания речи теперь так же точна, как распознавание речи живым человеком. Довести систему распознавания речь до такого высокого уровня удалось в том числе с помощью метода, разработанного резидентом «Сколково», компанией «ЦРТ-инновации» (группа «Центр речевых технологий»).
BoA предполагает, что к следующему году рынок ИИ-решений будет эквивалентен $ 153 млрд, из которых $ 83 млрд составят роботы и робототехника и $ 70 млрд — аналитические решения на основе ИИ.
В результате так называемая «революция роботов», о которой говорят экономисты и аналитики крупнейших банков, позволит мировой экономике повысить производительность на 30 % при снижении производственных затрат на рабочую силу от 18 % до 33 %. Пальма первенства будет принадлежать США и Японии. В общей сложности на мировом рынке работает порядка 400 компаний, занимающихся производством робототехники.
Алгоритмический бизнес относительно новое понятие в современной бизнес-лексике. Вернее, оно даже пока не перешло из сферы консалтинговых прогнозов в сферу бизнеса. Однако, на наш взгляд, именно это слово наилучшим способом описывает глобальное влияние ИИ на все сферы бизнеса и являет собой в конечном итоге результат сшивания и сращивания технологий ИИ между отраслями. Когда речь идет об алгоритмизации бизнеса, необходимо иметь в виду саму инкарнацию ИИ в бизнесе, которая может ранжироваться от ассистирующей по различным вопросам и до сущности, принимающей в том числе управленческие решения.
По оценкам Gartner, через пару лет автономные программные агенты, которые впервые в истории не будут подконтрольны человеку, станут участниками 5 % экономических транзакций. Алгоритмически управляемые агенты уже участвуют в нашей экономике. Тем не менее, в то время как эти агенты автоматизированы, они не являются полностью автономными, так как напрямую привязаны к сложной структуре механизмов, управляемых людьми, — в корпоративных, юридических, экономических и фидуциарных доменах. Новые автономные программные агенты будут иметь самостоятельную ценность и функционировать в качестве фундаментальной основы новой экономической парадигмы, называемой Gartner программируемой (programmable economy). Одной из первых отраслей, которые будут подвержены прямому воздействию такого парадигматического сдвига, станет финансовая система. Мы увидим алгоритмы, часто разработанные в прозрачном виде, с открытым исходным кодом и установленные бесплатно на блокчейн, которые будут самостоятельно выполнять банковские операции, оформлять сделки по страхованию, заниматься сделками на рынке ценных бумаг и осуществлять прочие функции.
В свете таких преобразований не удивляет также и другой прогноз Gartner о том, что к 2018 году более 3 млн работников в мире будут подчиняться «боссу-роботу» (robo-boss).
Поскольку сфера искуственного интеллекта является сращиванием математических наук и программирования, у России, имеющей солидную базу и школы в этих направлениях, неплохие шансы на получение статуса глобального игрока при достаточном внимании к этой сфере со стороны в первую очередь профильных государственных ведомств в виде программ и, разумеется, крупных частных игроков.
Среди разработок и компаний можно назвать и инициативу сервиса онлайн-заказа такси «Яндекс.Такси» с технологией интеллектуального распределения заказов с переходом на технологии интеллектуального распределения заказов, с учетом дорожной ситуации и специальных пожеланий пользователей. В РФ разрабатывается система полуавтономного управления автомобилем, которая будет строиться на комплексе технологий искусственного интеллекта — компьютерного зрения, машинного обучения, речевых технологий. В сотрудничестве с российской Cognitive Technologies автопроизводитель готовится к выпуску предпромышленной версии системы помощи водителю ADAS (Advanced Driver Assistance System) первого уровня. С другой стороны, разработки группы ЦРТ в области речевых технологий вошли в технологический стэк Microsoft. Также примером удачного использования машинного обучения в области популярных ныне фильтров для соцсетей является нашумевшее приложение Prisma, разработанное в недрах Mail.Ru Group независимыми разработчиками. Пионер в сфере использования чат-ботов мессенджер Telegram стал локомотивом развития индустрии в России с таким ярким российским стартапом, как Chatfuel, в который вложились крупнейшие зарубежные венчурные компании. А робот «Вера», созданный петербургской компанией Stafory, проводит собеседование с потенциальными кандидатами на открытые вакансии, делая за полчаса ту работу, которую три-четыре человека делают неделю.
«Сбербанк» запустил систему искусственного интеллекта Iron Lady, которая занимается обзвоном должников, робота-юриста.
Фонд развития интернет-инициатив (ФРИИ) и Сбербанк в 2016 году подтвердили инвестиции в пермского разработчика сервисных роботов-промоутеров — Promobot. Руководитель робототехнического центра «Сколково» Альберт Ефимов отмечает, что конкуренция в сфере робототехники сейчас высока и на рынке много китайских решений рекламного робота, однако общий недостаток — это их уровень интеллекта, что выгодно отличает Promobot. Главным ограничителем быстрого развития отечественного робота, пожалуй, является цена.
По сообщениям журнала Technology Review, уже через 60 лет искусственный интеллект начнет представлять серьезную угрозу для человечества. К 2022 году ИИ начнет мыслить приблизительно на 10 % как человек, к 2040 году — на 50 %, а к 2075 году мыслительные процессы робота будут неотличимы от человеческих. Такие оценки приводит британский ученый, автор нашумевшей книги SuperIntelligence профессор Оксфорда Ник Бостром. Такие оценки неудивительны в свете работающих систем на базе ИИ Deep Blue — машины, выигравшей в шахматы человека, IBM Watson, победившей в игре Jeopardy!, и MYCIN — мощнейшей системы диагностики заболеваний.
Недавний опрос, проведенный Институтом будущего человека (FHI) из Оксфордского университета в Великобритании, показывает, что «Скайнет» как настоящий искусственный интеллект человеческого уровня может возникнуть около 2028 года.
Тема о будущем человечества, противоборстве с машинами и, наоборот, гибридизации вывела на свет целый ворох новых опасений и терминов. Среди них трансгуманизм и технологическая сингулярность. Научно-техническая и проектная деятельность в области пространства-времени, через которую невозможно гладко продолжить входящую в неё геодезическую линию.
Технологическая сингулярность — гипотетический момент, по прошествии которого, по мнению сторонников данной концепции, технический прогресс станет настолько быстрым и сложным, что окажется недоступным человеческому пониманию.
Сингулярность — это момент времени, когда компьютеры во всех своих инкарнациях станут умнее людей. Когда это произойдет, компьютеры будут иметь возможность расти в геометрической прогрессии по сравнению с самими собой и воспроизводить себя, а их интеллект будет в миллиарды раз быстрее, чем человеческий.
По прогнозам, данный момент может наступить уже в 2030 г. Основным представителем этой идеи является Рэймонд Курцвейл, ученый, автор книги «Сингулярность близко» и ныне технический директор Google. Хотя и не все ученые поддерживают данную концепцию, утверждая, что развитие технологий происходит по S-кривой и в конце прошлого века началось замедление процесса ускорения.
Ник Бостром — шведский философ, профессор Оксфордского университета, сооснователь Всемирной ассоциации трансгуманистов и директор созданного в 2005 году в Оксфорде Института будущего человечества. Он пытается осознать проблему, встающую перед человечеством в связи с перспективой появления сверхразума. Что случится, если машины превзойдут людей в интеллекте? Будут ли они помогать нам или уничтожат человечество? Можем ли мы сегодня игнорировать проблему развития искусственного интеллекта и чувствовать себя в полной безопасности? Ник Бостром разделяет виды компьютерного интеллекта на несколько видов.
Согласно мнению некоторых экспертов, подлинный ИИ будет последним изобретением человечества. Искусственный интеллект несет определенные риски — исчезновение целого ряда профессий, разобщение людей, а возможно, даже потерю естественных навыков человека. Для человечества точка невозврата может быть пройдена, когда какая-нибудь страна даст ИИ право на насилие, что не исключено, учитывая, что ИИ исторически развивается и очень востребован в военной области.
В 2016 году выделяли два направления развития ИИ:
В это время в области искусственного интеллекта наблюдается вовлечение многих предметных областей, имеющих скорее практическое отношение к ИИ, а не фундаментальное. Многие подходы были опробованы, но к возникновению искусственного разума ни одна исследовательская группа пока так и не подошла.
В феврале 2017 года компания сообщила о разработке технологии искусственного интеллекта, способной быстро самообучаться по нескольким фрагментам данным. По своей эффективности и точности обучения новая разработка соответствует мощным нейронным сетям.
Экосистема рынка NLP состоит из следующих вендоров, предлагающих лучшие NLP-решения.
Количество выданных патентов в сфере ИИ на душу населения в разных странах мира
В относительных цифрах мировой лидер по патентам в области ИИ - это Южная Корея: там за 2020 год было выдано 158 патентов на миллион жителей страны. В занимающем вторую строчку Китае на миллион жителей пришлось 45 патентов (с учётом населения Китая - это очень много), в замыкающих тройку лидеров США - 44 патента на миллион человек.
В России на миллион жителей приходится 0.5 патента в области ИИ - то есть, порядка 70 патентов на всю страну. Примерно такой же уровень, около половины патента на миллион человек, зафиксирован, к примеру, в Бразилии.
Contact us - Incremental Quantile Neural Network (IQNN) website news
