ENG
Технологии искусственного интеллекта грозят лишить многих людей работы: водителей — автомобили будут беспилотными, кассиров в магазинах — их заменят терминалы. В финансовых компаниях скоринговые системы на основе нейронных сетей оценивают потенциальных заемщиков. А предприятия сферы торговли и услуг активно используют роботов, чтобы отвечать на звонки и обзванивать клиентов. Но, несмотря на все эти достижения, до сих пор искусственный интеллект так и не сумел совершить качественный скачок, чтобы принимать решения полностью без вмешательства человека.
Начнем с того, что явление, которое мы называем искусственным интеллектом, имеет очень давние корни, которые уходят в сороковые годы прошлого века. Тогда математики создали теорию искусственных нейронных сетей, моделирующих функционирование нервных клеток живого организма. Примерно через 40 лет после этого появились такие понятия, как «бустинг» и random forest, связанные с алгоритмами обучения машин. Основные элементы этих подходов к машинному обучению (machine learning) — классификация, регрессия, кластеризация данных.
Классификация сводится к определению класса объекта по его характеристикам. Регрессия позволяет определить значение параметров объектов. А задача кластеризации заключается в поиске независимых групп (кластеров) и их характеристик. Основываясь на этих принципах, компьютерные алгоритмы находят зависимости в данных и тем самым предсказывают возникновение событий.
Все эти принципы были известны еще в XX веке. Но их распространение сдерживала аппаратная часть — использовать их могли только суперкомпьютеры, которыми владели крупные корпорации или научно-исследовательские институты. Ситуация изменилась благодаря появлению облачных технологий. Распределенная обработка данных, когда расчеты проводятся не на серверах самой компании, а где-то в общем облаке, сделала технологии ИИ массово доступными.
Сейчас они переживают настоящий бум. Только в финансовой сфере, по данным аналитиков IHS Markit, за счет использования ИИ в 2018 году банки во всем мире заработали около $41,1 млрд. В эту сумму входят как прямые доходы от внедрения таких технологий, так и объем сокращенных расходов, и выгода от повышения эффективности финансовых организаций. По прогнозам, к 2030 году коммерческие ИИ-проекты принесут банкам в общей сложности уже $300 млрд.
Согласно исследованию Thomson Reuters и Greenwich Associates, 56% инвестиционных фондов планируют активнее интегрировать искусственный интеллект в свои процессы. Но при этом пока только 17% компаний используют ИИ, например машинное обучение и обработку естественного языка, для анализа данных, новостей и контента. Почему?
Компании не умеют собирать и хранить данные
Искусственный интеллект сегодня многие воспринимают как волшебную кнопку: «нажал — получил результат». Но для этого ему нужны данные, а их многие компании просто не умеют собирать и хранить, хотя в проектах, связанных с внедрением машинного обучения, именно эта работа занимает основную часть времени. Проекты по управлению мастер-данными (master data management) нельзя недооценивать, но даже мировые гиганты и крупнейшие российские компании не всегда следуют этой истине. То есть информация хранится в неструктурированном виде, на не связанных друг с другом серверах, не говоря уже о том, что часть важнейших данных до сих пор находится лишь в головах или записных книжках менеджмента.
Не все данные можно систематизировать
Допустим, мы все же собрали большой массив данных и загрузили его в нейросеть, которая способна их интерпретировать. Положительный результат отнюдь не гарантирован и в этом случае, поскольку данные, на основании которых сеть должна сделать вывод, могут оказаться слишком противоречивыми. Например, одна крупная зарубежная авиакомпания решила создать решение, которое учитывает погодные условия и корректирует маршрут самолета с точки зрения оптимального расхода топлива. Казалось бы, прекрасная задача для искусственного интеллекта. Но в процессе разработки оказалось, что данных о погоде слишком много, они очень переменчивы, а значит, почти невозможно создать алгоритм, который достаточно точно рассчитывал бы расход топлива на их основе. В итоге, вложив несколько миллионов долларов в проект, авиакомпания была вынуждена от него отказаться.
ИИ неэффективен в нестандартных ситуациях
Этот тезис хорошо иллюстрируется на примере финансовой сферы, которая, по данным исследования TAdviser и системного интегратора «Инфосистемы Джет», сегодня лидирует в России по количеству связанных с ИИ проектов. Применяются эти проекты в основном в двух направлениях: в клиентском сервисе и в скоринге, для оценки потенциальных заемщиков.
Специалисты консалтинговой компании Capgemini утверждают, что внедрение и содержание роботов обходятся на 50-90% дешевле штатных и внештатных сотрудников, и это весьма скромная оценка. Роботы уже научились рассказывать клиентам о продуктах и услугах компании, находить банкоматы и офисы, давать справки о состоянии личных финансов, отправлять выписки по операциям и другую запрашиваемую информацию. Однако если собеседник задает нестандартный запрос, начинает активно перебивать, шутить или, напротив, бурно конфликтовать, машина зачастую оказывается не в состоянии решить вопрос.
То же самое происходит и в скоринге. В современных финансовых системах, в том числе на платформе Webbankir, решение о выдаче кредита более чем в 90% случаев принимается автоматически. Благодаря технологиям машинного обучения и по мере накопления статистической базы точность в принятии решений растет. Однако всегда сохраняются сложные пограничные случаи, когда алгоритм не в состоянии определить, кто перед ним — платежеспособный клиент или нет, добросовестный заемщик или мошенник. Тогда в дело приходится вступать сотруднику компании, который принимает решение в процессе общения с клиентом. Это не значит, что решение будет обязательно верным, но оно будет принято с учетом большего количества параметров — не только математических выкладок, но и психологических факторов. ИИ на нынешнем уровне развития не способен распознавать эмоции так же эффективно, как сами люди.
Таким образом, ждать, что ИИ сможет действовать полностью автономно, в ближайшее время явно не стоит. Но это не значит, что технологическая гонка бесполезна. Компании, которые выстраивают свои экосистемы на основе технологий ИИ, уже получают вполне ощутимые конкурентные преимущества.
