Компания Nvidia активизирует свои усилия на рынке оборудования для ЦОДов, повышая эффективность решения различных задач искусственного интеллекта с помощью графического процессора Tesla T4. Процессор T4 был создан на основе архитектуры Turing и, наряду с новым программным обеспечением, предназначен для значительного ускорения обработки изображений и речи, автоматизированного перевода и работы рекомендательных сервисов.

T4 является важным компонентом новой платформы Nvidia TensorRT Hyperscale Inference Platform – платы ускорителя, которая, как ожидается, начнет поставляться крупным производителям серверов для ЦОДов в четвертом квартале.

Ядра Turing Tensor Core T4 поддерживают вычисления с различными уровнями точности в приложениях искусственного интеллекта, а также в крупных программных платформах (включая TensorFlow, PyTorch, MXNet, Chainer и Caffe2) для так называемого глубинного обучения – машинного обучения в многоуровневых, или глубоких, нейронных сетях.

«Графический процессор Tesla T4 построен на основе архитектуры Turing, которая совершит революцию в области искусственного интеллекта в ЦОД, – указал генеральный директор Nvidia Дженсен Хуанг, представляя новый графический процессор на конференции GTC в Токио. – Tensor Core – это результат полного переосмысления нами концепции графических процессоров. Фактически мы изобрели графический процессор заново».

Благодаря своей массово-параллельной архитектуре графические процессоры хорошо подходят для решения задач искусственного интеллекта. Параллельные вычисления в сочетании с высокой вычислительной мощностью процессоров Nvidia способствуют тому, что они широко применяются при решении задач искусственного интеллекта, особенно при обработке данных в процессе машинного обучения. По сути, именно появление данной вычислительной платформы способствовала созданию моделей нейронных сетей глубинного обучения.

Обработка с различными уровнями точности

Способность процессоров T4 обеспечивать обработку с различными уровнями точности выгодно отличает их от прежних процессоров Nvidia P4 на базе архитектуры Pascal.

После обучения на больших наборах данных нейросетевые модели передаются в приложения, которые выполняют классификацию данных и выдачу результата на основе правил логического вывода. И если для обучения нужны интенсивные вычисления, то для логического вывода в реальных приложениях от процессора требуется максимальная гибкость.

В идеале обработка на каждом уровне нейронной сети должна выполняться с минимально подходящей для этого уровня точностью. Такой подход позволяет максимизировать скорость вычислений и сократить энергопотребление.

«Создавая архитектуру, обеспечивающую различную точность вычислений, мы добиваемся максимизации соответствия решаемой задаче и пропускной способности, затрачивая на все это 75 ватт мощности, – пояснил Хуанг. – T4 работает по меньшей мере в восемь раз быстрее, чем P4, а в некоторых ситуациях он оказывается быстрее уже в 40 раз».

Современные ЦОДы имеют дело с широким спектром приложений, обрабатывающих миллиарды голосовых запросов, переводов фраз, изображений и видеороликов, рекомендаций и операций взаимодействия в социальных сетях. По оценкам Nvidia, рынок искусственного интеллекта и когнитивных вычислений в ближайшие пять лет достигнет 20 млрд долл. При этом разным приложениям в нейронной сети требуются разные уровни обработки.

«Никто не хочет выполнять 32-разрядные вычисления с плавающей точкой там, где приложению достаточно 16-разрядных вычислений, – пояснил основатель аналитической компании Moor Insights & Strategy Патрик Мурхед. – С новой когнитивной платформой Nvidia высоко подняла планку технологий искусственного интеллекта для ЦОДов».

Что представляет собой TensorRT Hyperscale Inference Platform?

В состав платформы TensorRT Hyperscale Inference Platform, реализованной в виде небольшой платы PCIe, которая потребляет 75 ватт, входят:

• Графический процессор Nvidia Tesla T4, имеющий 320 ядер Turing Tensor и 2560 ядер CUDA (Compute Unitfied Device Architecture). CUDA – это язык программирования Nvidia, ориентированный на параллельную обработку. T4 поддерживает 16-ти и 32-разрядные операции с плавающей точкой (FP16 и FP32), а также 8-ти и 16-разрядные операции целочисленной арифметики (INT8 и INT16). Пиковая производительность T4 при выполнении операций FP16 составляет 65 TFLOPS, при выполнении операций INT8 – 130 TFLOPS и при выполнении INT4 – 260 TFLOPS.
• TensorRT 5 – оптимизатор логического вывода и исполняемая среда для глубинного обучения, которые обеспечивают высокопроизводительный логический вывод с низкими задержками, быструю оптимизацию, проверку и развертывание обученных нейронных сетей в ЦОД гипермасштаба для встроенных или автономных платформ графических процессоров. Уже реализована поддержка TensorFlow, MXNet, Caffe2 и Matlab, а также других платформ через ONNX (Open Neural Network Exchange).
• TensorRT Inference Server – сервер логического вывода для ЦОДов, доступный из Nvidia GPU Cloud. Он предназначен для обучения с вертикальным масштабированием, развертывания систем логического вывода в многооблачных кластерах графических процессоров и интеграции с Kubernetes и Docker, позволяя разработчикам автоматизировать развертывание, планирование и выполнение операций множества контейнеров приложений GPU в кластерной среде.

Ключевая задача – поддержка ПО

«Мы продолжаем инвестировать в оптимизацию всего нашего программного стека с самого низа, используя доступные платформы, – отметил вице-президент подразделения Nvidia Accelerated Computing Иан Бак. – Запустив свои уже готовые нейронные сети, клиент может взять обучающие модели и развернуть их в тот же день».

В области логического вывода компания Nvidia конкурирует с другими производителями программируемых логических матриц FPGA (field programmable gate array), в частности, с Xilinx. Микросхемы FPGA позволяют разработчикам осуществлять тонкую настройку точности вычислений для различных уровней глубинных нейронных сетей. Но FPGA требуют от программистов дополнительной подготовки. Настройка FPGA выполняется с помощью языков категории Hardware Description Language (HDL), а не языков высокого уровня, которые применяются для других чипов.

FPGA готовы конкурировать с GPU

В марте компания Xilinx представила новую категорию микросхем – Adaptive Compute Acceleration Platform (ACAP), – которая поддерживает более широкий спектр программного обеспечения по сравнению с традиционными FPGA. Поставки первой версии ACAP, разрабатывавшейся под кодовым наименованием Everest, должны начаться в следующем году. В Xilinx заявляют, что разработчики программного обеспечения смогут обращаться к Everest с использованием различных инструментов: Си/C++, OpenCL, Python и т. д. Everest поддерживает программирование и на аппаратном уровне с использованием таких HDL-языков, как Verilog и VHDL.

Поддержка программного обеспечения, предлагаемая графическими процессорами T4 в сочетании с возможностью организации вычислений различной точности, должна укрепить позиции Nvidia как в обучении, так и в логическом выводе для приложений искусственного интеллекта.

«Мы убеждены в том, что в нашем распоряжении имеется самая эффективная на сегодняшний день платформа логического вывода, – заявил Бак. – Замеры проводятся на реальных производственных нагрузках под наблюдением наших клиентов. Мы взаимодействуем с ними на всем пространстве нашего стека сверху донизу, чтобы предлагать не только лучшие средства обучения, но и лучшую платформу логического вывода. Фактически все производители серверов, использующие сегодня графические процессоры P4, к концу года перейдут на T4».

На конференции в Токио о своих намерениях поддерживать T4 заявил целый ряд производителей систем для ЦОДов, в том числе Cisco, Dell EMC, Fujitsu, HPE, IBM, Oracle и SuperMicro.

О планах использования T4 сообщили и в Google.

Нейросетям доверяют все более сложные и ответственные задачи — от определения надежности заемщиков до выявления новообразований на рентгеновских снимках. В каких-то случаях они лишь подсказывают человеку наиболее вероятное правильное решение, в каких-то — принимают решение единолично. О том, как происходит обучение, какие у нейросетей есть ограничения и как автоматизировать процессы их создания и обучения на практической конференции «Технологии машинного обучения 2018» расскажет Дмитрий Бабаев, исследователь в Лаборатории искусственного интеллекта Сбербанка России.

- Чем занимается ваша лаборатория?

Исследованиями в области машинного обучения в применении к нейросетям. Например, мы можем решать типичную задачу для финансовой сферы — создать нейронную сеть, способную прогнозировать, исходя из имеющихся данных, будет ли данный клиент возвращать кредит. По его кредитной истории, истории покупок, даже по тому, как он пользуется мобильной связью — если он дал согласие нам на использование этих его данных для получения кредита.

У нас есть массивы данных о людях, которые выплатили кредит, и о тех, которые не выплатили. Нейросеть учится на этих данных. У нее есть правильные ответы и она пытается построить такую модель, которая лучшим образом им соответствует. И на основе модели выдает рекомендации.

- Как она это делает?

Нейросеть как черный ящик — на входе «правильные» данные, на выходе — рекомендации.

Можно только догадываться, почему нейросеть принимает те или иные решения. Например, она может учитывать, что человек имеет склонность потратить всю зарплату в первую неделю после получки, а потом использует кредитную карточку, и большую часть новой зарплаты использует для погашения кредита. А оставшееся, опять же, спускает за неделю. То есть его поведение на грани дефолта, он не умеет тратить деньги правильно.

Но порой данные неоднозначны. Если, к примеру, человек в рабочие дни ночью в барах тратит деньги, то он ведет опасный с точки зрения кредитора образ жизни. Но зато, может быть, это означает, что у него много друзей, и он кредит выплатит, заняв у них. Или вообще у него работа такая…

- Эти данные не устаревают? Допустим, в одной экономической ситуации какое-то поведение было нормальным, прогулял зарплату — новую дадут, а в нынешних условиях ее могут задержать и кредит вернуть не удастся...

Теоретически проблема есть, но практически обычно модели получаются довольно устойчивыми к устареванию, потому что они используют большие промежутки времени наблюдения за людьми, причем из разных областей деятельности.

Окончательного ответа на этот вопрос нет, но в каждом конкретном случае мы можем измерить величину ошибки. Возьмем данные людей, скажем, до 2014 года и построим модель на них. А потом возьмем данные 2017 года и построим модель на них. И посмотрим, насколько точно модель угадывает в том и другом случае. Это позволит понять, насколько устаревание данных, изменение экономической ситуации влияет на точность модели.

- У нас на конференциях всегда выступают и скептики. Я разговаривал с одним из них, и он сказал, что большая проблема в том, что искусственный интеллект можно обмануть, если приблизительно знаешь, как работают алгоритмы. Вы не сталкивались с тем, что люди выстраивают формально идеальную кредитную историю?

В принципе такое было возможно, но лишь в тех случаях, когда в банках использовались недостаточно интеллектуальные модели. Их действительно можно было обмануть, распространенный способ — при отсутствии кредитной истории брать небольшой кредит, «на чайник», быстро его погасить, и так много раз.

Но с этим давно научились бороться: и модели стали сложнее, и кроме того, поведенческие факторы практически нельзя подделать. Надо менять образ жизни. Например, перестать пить в барах. С другой стороны, если человек приучил себя поступать настолько правильно, что с точки зрения машины он является хорошим заемщиком, то, может, он и стал другим человеком.

- Благостная картинка. Неужели нет проблем?

Есть, конечно. Для использования сложных алгоритмов нужно много данных. Если мы, например, захотим сделать систему определения надежности юридических лиц, то у нас остро встанет проблема их нехватки — юрлиц меньше, чем физических, кредитов они берут меньше, и дефолтов по кредитам у них меньше. Особенно остра нехватка данных по средним и крупным предприятиям. Создать нейросеть не удастся, но можно использовать другие подходы машинного обучения.

Есть проблема и с кадрами, с людьми, которые умеют работать с нейросетями.

- С чем связан дефицит кадров? Нейросетям не один десяток лет...

Да, занимаются ими довольно давно, но долгое время результатов не было. Из-за этого в 1990-х и начале 2000-х интерес к ним упал. Но в 2010-х появилось глубинное обучение и удалось показать полное превосходство нейросетей в задачах распознавания изображений. И после этого интерес к ним вернулся. Но это были уже другие нейросети, и они требовали других специалистов.

- Современные нейросети – это только подсказчики, или им уже можно доверить принимать решения самостоятельно?

В зависимости от ситуации. Если нейросеть распознает рентгеновские снимки, то это скорее подсказчик, потому что решение о том, болен человек или нет — очень ответственное. И в данном случае нужен врач, который возьмет на себя окончательное решение, ответственность за диагноз.

Но если брать относительно недорогие в плане последствий случаи, где речь не идет о жизни и смерти, например — выдачу массовых кредитов, которых в одном Сбербанке выдается несколько тысяч в день, то волей-неволей приходится доверять машине. Как минимум там, где она достаточно уверена в принятии решения. Иначе придется для обработки данных для решений в сопоставимом объеме держать огромный штат сотрудников. Да и ошибаются сети на отлаженных задачах реже, чем люди.

- Что вы хотите рассказать на конференции и что хотите услышать от других?

Мне интересны все исследования в этой области, а также работающие кейсы в плане применения нейросетей в разных отраслях. А сам хочу рассказать как раз о проблемах, которые мы обнаружили при применении нейросетей, об их ограничениях и о том, как можно эти ограничения обходить. В частности — о том, как бороться с нехваткой специалистов в области создания нейросетей. Ведь при проектировании нейросети нужно принять много решений о том, как она будет устроена. И этот процесс тоже можно частично автоматизировать.

- Следующий шаг — нейросети, которые сами проектируют другие нейросети?

Такие проекты есть. И про них я тоже расскажу.

Группа компаний «Аэроклуб» завершила первый этап внедрения искусственного интеллекта в систему обработки клиентских заказов. В ходе контрольных тестов робот корректно распознал 65% заявок на бронирования. 50% вариантов авиаперелетов, предложенных им на основе данных заказа, полностью соответствовали критериям качества сервиса агентства и политике компании.

Пока искусственный интеллект применяется только для одного типа услуг — заказа авиабилетов. В ближайшие два года виртуальные агенты научатся исключать нерелевантные предложения. К 2020 году технология будет применяться для поиска вариантов по всем типам услуг: авиабилетам, отелям, трансферам и др., рассказали в «Аэроклубе».

Согласно данным ВЭФ, в следующие пять лет на рынке интернет-технологий будут преобладать четыре сектора: высокоскоростной мобильный Интернет, искусственный интеллект, аналитика больших данных и облачные технологии.

Как рассказывают эксперты, российские компании определили для себя три основные стратегии изменения структуры рабочих мест в условиях роботизации процессов. Это найм сотрудников, обладающих новыми навыками, автоматизация рабочих процессов и приглашение к работе временных специалистов.

AIOps (Artificial Intelligence for IT Operations) обещает cэкономить время и усилия ИТ-служб, затрачиваемые на выявление различных неполадок во все более сложной среде, в которой им приходится работать.

Аналитический дом Gartner ввел этот термин для описания того, каким образом средства искусственного интеллекта могут применяться для автоматической идентификации возникающих проблем и их устранения.

В настоящее время целый ряд поставщиков платформ AIOps используют технологию машинного обучения для улучшения контроля за операциями, уменьшения числа ложных предупреждений и более точной выдачи прогнозных уведомлений. Эти платформы через API необходимо интегрировать с другими приложениями для повышения эффективности, а также создания независимых от конкретного поставщика аналитических систем, которые объединяли бы существующие разрозненные компоненты.

Типичные сценарии их использования включают в себя постобработку потоков событий, генерируемых средствами мониторинга, организацию двунаправленного взаимодействия с инструментами управления ИТ-сервисами и интеграцию с инструментами автоматизации для более глубокого проникновения в суть происходящего.

Разработка стратегии AIOps

В Gartner рекомендует внедрять AIOps поэтапно. Пользователи обычно начинают применять машинное обучение к мониторингу, операциям и инфраструктурным данным еще до перехода к использованию глубоких нейронных сетей, чтобы автоматизировать работу ИТ-сервисов и служб технической поддержки.

Директор Gartner по исследованиям Вив Бхалла предлагает определить тактические и стратегические варианты использования, позволяющие извлекать выгоду из AIOps, после чего оценить инструменты и поставщиков, которые готовы удовлетворять соответствующие потребности.

«Поэтапные подходы к AIOps обещают быть наиболее успешными, – пояснил Бхалла, выступая на конференции Moogsoft AI Symposium. – Область наших интересов – машинное изучение данных о событиях, а также структурированных данных – представляется мне низко висящим плодом. Если вы знакомы с этой темой, используйте свои знания для расширения применения соответствующей технологии. На втором этапе будет происходить развитие нейронных сетей, поведенческого анализа и данных, ориентированных на языки, причем все это будет осуществляться через автоматизацию сервисных служб. Не вижу ничего плохого в том, чтобы начать с низко висящего плода, а затем уже продвигаться далее».

Бхалла рекомендует выделить время для того, чтобы подготовить отвечающий за функционирование инфраструктуры и выполнение операций персонал к использованию новых технологий, создать центр передового опыта, который организовал бы обмен идеями между различными подразделениями, а затем, начав с малого, быстро продвигаться вперед, оценивая полученные результаты.

«Речь идет не о том, чтобы установить что-то и на этом успокоиться, – подчеркнул Бхалла. – Мы имеем дело со стратегией, с процессом, требующим оценки и развития. Вы ищете новые варианты применения – идеи, о которых, возможно, даже не задумывались раньше».

Предложения вендоров

Бхалла убежден в том, что готовые инструменты AIOps, такие как Splunk IT Service Intelligence и Moogsoft AIOps, станут более популярными, чем решения собственной разработки, поскольку они обеспечивают большую согласованность и позволяют ускорить оценку.

Фил Ти, директор Moogsoft, в беседе с Computerworld заявил, что программное обеспечение его компании учитывает изменение потребностей при выполнении ИТ-операций.

«Инструменты AIOps создавались с учетом того, что нельзя априори предвидеть отказы и моделировать свои действия в таких случаях, – пояснил он. – Нужно отказаться от поиска условий отказов вручную и начать использовать данные, которые помогут определить логику поиска неисправностей. Направление AIOps охватывает полный набор операций машинного обучения, науки о данных и искусственного интеллекта».

Платформа Moogsoft AIOps применяет алгоритмы машинного обучения к данным ИТ-систем для поиска возникающих проблем и их устранения. По мнению Ти, главным ее достоинством является возможность обнаружения отказов, которые человек не в состоянии предвидеть.

«Инженеры не делают ошибок сознательно, – пояснил он. – Но сложность ИТ-систем настолько велика, что человеку просто не под силу охватить их в полном объеме и свести все к простому набору правил».

Оператор платежных систем Worldpay, например, обратился к Moogsoft с целью совершенствования традиционных инструментов мониторинга за счет кластеризации событий в ситуациях, требующих вмешательства и выявления их вероятных первопричин, а компания Daimler использует инструменты Moogsoft для предоставления сервисным службам необходимой информации в условиях растущих объемов данных, генерируемых автомобилями.

«Для нас AIOps – это решение, помогающее реагировать на действительно важные события, а не на тысячи событий, регистрируемых нашими инструментами мониторинга», – пояснил ИТ-менеджер группы диагностики подключенных автомобилей Daimler Рюдигер Шмидт.

Что дальше?

Согласно прогнозам Gartner, к 2019 году четверть глобальных корпораций внедрят платформы AIOps, поддерживающие не менее двух основных ИТ-операций.

Ти считает, что популярность AIOps будет расти по мере увеличения объема данных, возрастания сложности систем и повышения интеллектуальности устройств.

«В конечном итоге мы придем к автономной сети, самовосстанавливающейся системе, в которой накопленные знания о возможных причинах сбоев позволят автоматически предпринимать меры для их устранения, – подчеркнул он. – Со временем мы дойдем до того, что будем автоматически оповещать клиентов о сроках восстановления работоспособности системы и о том, каким образом они могут продолжить работу в сложившейся ситуации. Думаю, что в перспективе искусственный интеллект будет в полном объеме поддерживать взаимодействие как с клиентами, так и с устройствами».

Согласно докладу Всемирного экономического форума, к 2025 году роботы будут выполнять большую часть работы (52% вместо 29%), пишет «Коммерсантъ». Однако в то же время это позволит создать 58 млн новых рабочих мест, связанных с искусственным интеллектом. 54% сотрудников больших компаний вынуждены будут перепрофилироваться или повысить уровень своих навыков.

В будущем потеряют востребованность такие профессии, как оператор ввода данных, бухгалтер, администратор, секретарь, работник сборочных предприятий, аудитор, сотрудник почтовых служб, оператор службы по работе с заказчиками, операторы складского учета и т.п. Новыми профессиями станут аналитик данных, специалист по искусственному интеллекту и обучению роботов, разработчик программного обеспечения, специалист по продажам и маркетингу, специалист по работе с большими объемами данных, специалист по переходу на цифровые технологии, специалисты по новым технологиям и др.

Как рассказывают эксперты, российские компании определили для себя три основные стратегии изменения структуры рабочих мест. Это найм сотрудников, обладающих новыми навыками, автоматизация рабочих процессов и приглашение к работе временных специалистов.

Концерн РТИ разработал и провел успешные наземные испытания опытного образца бортового радиолокационного комплекса для ледовой разведки в Арктике, сообщает «РИА Новости». Радар может определять тип и траекторию движения льдов, а также исследовать метеорологическую обстановку.

Разработка актуальна из-за того, что на сегодняшний день в России нет серийных комплексов для оперативной разведки ледовых полей и мониторинга дрейфа айсбергов. Это сказывается на эффективности поисково-спасательных операций, во время которых недостаточно обеспечивается выполнение геологоразведочных работ и снижается безопасность судоходства на арктических маршрутах, рассказали в РТИ.

Новый арктический радар может оценить толщину льда на пути движения судов, оказывать информационную поддержку спасательным операциям и проводить экологический мониторинг арктического шельфа.

Первый андроид «Маруся» заработал 6 сентября в московском «Коламбусе». Робот встречает гостей у входа в торговый центр и перемещается на первом этаже. «Маруся» за шесть месяцев была разработана компанией «Альфа Роботикс», которая интегрировала в конструкцию модуль оплаты и доработала необходимое ПО, позволяющее роботу общаться с покупателями, предлагать блюда «Теремка», оформлять заказы и выдавать чеки. Справедливости ради надо отметить, что андроид вовсе не заменяет кассира, поскольку располагается не в самом кафе, а на первом этаже торгового центра. «Маруся», скорее, привлекает внимание посетителей уже на входе в здание, развлекает их и, выполняя простейшие действия по стимулированию продаж, способствует увеличению потока клиентов в «Теремок». Никого пока не сократят, обещают в компании.

Как рассказал основатель и управляющий сети ресторанов «Теремок» Михаил Гончаров, сделать робота только для промоушена показалось скучным, поэтому решили совместить заказы и развлечения. Хотелось создать «нечто не виданное доселе и достаточно дешевое», продолжает генеральный директор компании «Альфа Роботикс» Владимир Венеров. По его словам, изначально задумывалось, что для расположения к себе людей робот должен быть антропоморфным (высотой не более 160 см, чтобы не подавлять), уметь жестикулировать, автономно передвигаться, распознавать лица и речь, обладать приятными голосом и внешним видом. Такой «Маруся» и получилась. Технически она реализована с использованием технологий машинного обучения. «Маруся» пока не всегда точно отвечает на вопросы, но уже излагает, например, законы робототехники и законы Ньютона. Обучается она в облаке, самостоятельно и с помощью человека.

В рамках пилотного проекта «Теремок» будет пристально анализировать результаты работы андроида. В случае успеха в среднесрочной перспективе компания планирует разместить подобные конструкции во многих кафе. По словам Гончарова, роботы уже широко используются на промышленных предприятиях, вторая волна роботизации затронет сферу обслуживания — ретейл и ресторанный бизнес. «Теремок» хочет одним из первых овладеть новыми технологиями, которые позволяют человеку не делать нудную, грязную или опасную работу. Кроме того, робот не устает и не раздражается.

Приготовлением еды «Маруся» заниматься не будет: сейчас это экономически не выгодно. Не станет «Маруся» и провожать посетителей до столиков. «Альфа Роботикс» уже столкнулась с повышенным интересом людей к андроиду, что не позволяет роботу нормально дойти до места. К слову, роботы этой модели были задействованы и в других проектам, например, в российском и немецком сериалах, российском и израильском театрах. Их можно настроить на семь разных языков.

Срок службы «Маруси» составляет семь лет. На ее создание потребовались миллионы рублей, но в «Теремке» надеются, что они окупятся.

Результаты нового исследования OpenText показывают: более четверти австралийцев убеждены в том, что искусственный интеллект принимал бы решения лучше, чем это делают политики.

Исследование было проведено весьма своевременно, если учесть, что Австралия только что пережила очередную смену лидера: место Малколма Тернбулла занял Скотт Моррисон. Причем Моррисон – уже седьмой премьер-министр страны за последние семь лет.

В исследовании выделены четыре ключевые области: государственное управление, рынок труда, здравоохранение и беспилотные автомобили.

Что касается госуправления, 40% австралийцев убеждены в том, что в течение ближайших пяти лет искусственный интеллект «войдет» в правительство, а 27% уверены: искусственный интеллект будет принимать решения лучше избранных представителей общества, но при этом хотели бы, чтобы окончательный выбор все же оставался за человеком.

Ожидается, что искусственный интеллект радикально изменит ситуацию в госсекторе и повысит скорость, устойчивость и качество правительственных инициатив. Благодаря нему государственные структуры будут лучше удовлетворять потребности граждан.

Опрошенные признают ценность роботизации бизнес-процессов (Robotic Process Automation, RPA), которая помогает сократить сроки ожидания, повысить качество администрирования и устранить ошибки в государственном секторе.

Большинство (56%) респондентов убеждены в том, что в ближайшие 10 лет правительство будет внедрять RPA. Эта доля выше, чем в США (где аналогичного мнения придерживаются только 38% опрошенных), но ниже, чем в Нидерландах (там в экспансию роботов в госсекторе верят 73%).

25% респондентов были бы рады появлению на их работе роботов, берущих на себя часть повседневных задач. При этом на сегодняшний день только 39% австралийцев готовы трудиться вместе с роботами.

Исследование показало, что вопросы конкуренции с роботами на рынке труда мало кого волнуют. Лишь один из десяти (11%) опрошенных опасается, что на работе его заменит робот, а 56% убеждены в том, что их роль никогда не подвергнется автоматизации.

В области здравоохранения 28% австралийцев считают, что искусственный интеллект помогает ставить более точные диагнозы, а 21% убежден в возможности получения более быстрых результатов. Каждый третий готов доверять диагнозу, поставленному искусственным интеллектом.

32% респондентов полагают, что робомобили сделают движение более безопасным, а 24% вполне комфортно ощущали бы себя в качестве пассажиров беспилотного автомобиля.

Каждый третий (30%) твердо уверен, что количество робомобилей на дорогах никогда не превысит число обычных. Около 45% никогда не намерены приобретать либо арендовать автомобили, которые умеют ездить без водителя.

Осторожный оптимизм

В то же время большинство австралийцев продолжают проявлять осторожность или просто не знают о возможностях, предоставляемых искусственным интеллектом в повседневной жизни. Только один из пяти опрошенных (18%) в течение последнего года контактировал с той или иной формой искусственного интеллекта.

Несмотря на наличие голосовых помощников (популярность Siri и Alexa продолжает расти), результаты опроса, в котором принимала участие 1 тыс. австралийцев, показывают, что большинство из них искусственный интеллект не впечатляет, даже если им приходится постоянно сталкиваться с ним на мобильных устройствах или в процессе общения с чатботами. Только 21% доволен технологией, а 19% сообщили, что столкновения с искусственным интеллектом заставляют их нервничать.

По словам регионального вице-президента OpenText Майка Лорда, предприятия активно проводят цифровую трансформацию, а организации, работающие в сфере здравоохранения, все чаще обращаются к медицинским технологическим инновациям, в результате чего искусственный интеллект начинает проявляться во всех аспектах нашей жизни.

«Все больше и больше австралийцев видят преимущества, которые приносит искусственный интеллект как в работе, так и в повседневной жизни, в том числе и в государственном секторе, – указал Лорд. – Выполняя все больше рутинных, бытовых операций, искусственный интеллект, средства автоматизации и роботизации помогают нам становиться более эффективными и экономить время. В научно-фантастических фильмах последствия внедрения технологий искусственного интеллекта, как правило, искажаются. Пора перестать рассматривать искусственный интеллект в качестве угрозы существованию человека, нашей жизни и здоровью. Искусственный интеллект видоизменяет рабочее место, решая повседневные задачи с помощью роботизации и автоматизации процессов, но он никогда не вытеснит людей. Истинная ценность искусственного интеллекта заключается в том, что он способен работать параллельно с людьми, снижая нагрузку на них. Он проникает и в сферу здравоохранения, делая нашу повседневную жизнь более комфортной».

Компания Huawei анонсировала «систему на кристалле» (System on Chip, SoC) Kirin 980, которая будет выпускаться на фабрике Taiwan Semiconductor Manufacturer Company по 7-нанометровой технологии.

Используемая TSMC 7-нанометровая технология позволила довести плотность размещения транзисторов на чипе Kirin 980, имеющего размеры мелкой монеты, до 6,9 млрд на 1 квадратный сантиметр, увеличив ее в 1,6 раза по сравнению с предыдущим поколением. По оценкам Huawei, переход от 10-нанометрового к 7-нанометровому технологическому процессу обеспечивает 20-процентное увеличение производительности и 40-процентное повышение экономичности.

В прошлом году в Huawei продемонстрировали потенциал технологий искусственного интеллекта, интегрированных в процессор Kirin 970. В этом году в компании разработали новый процессор, который не только имеет поддерживает эти возможности, но и обладает исключительной вычислительной мощью. Наличие как универсального (CPU) и графического (GPU) процессорных устройств, так и двойного нейронного модуля помогают использовать Kirin 980 для создания решений нового поколения.

Чип Kirin 980 построен на основе ядер Cortex A76, на 75% более мощных и на 58% более экономичных по сравнению с ядрами предыдущего поколения.

Интеллектуальный механизм Flex-scheduling создает трехуровневую архитектуру энергоэффективности, которая содержит два высокопроизводительных ядра на основе Cortex-A76, два энергоэффективных на основе Cortex-A76 и четыре наиболее энергоэффективных Cortex-A55. Эта технология поручает срочные и ресурсоёмкие задачи самым производительным ядрам, большим энергоэффективным ядрам распределяет менее сложные действия, а самым экономичным отдаёт простые, рутинные задачи. Работающий на более высоких тактовых частотах по сравнению с предыдущим поколением, Kirin 980 обеспечивает более быструю загрузку приложений и улучшенную многозадачность.

Графический модуль Mali-G76 гарантирует пользователям яркие впечатления от игр, обладая на 46% более высокой производительностью и на 178% большей энергоэффективностью по сравнению с предыдущим поколением. В Mali-G76 также реализована инновационная технология настройки тактовой частоты, которая использует искусственный интеллект для идентификации игровых задач и распределяет ресурсы для оптимальной производительности.

Двойной нейронный процессорный модуль (NPU) повышает эффективность выполнения интеллектуальных задач. Совместная работа двух NPU приводит к более чем двукратному повышению производительности для распознавания изображений. Kirin 980 способен распознать до 4600 изображений в минуту, что на на 120% больше, по сравнению с предыдущим поколением. Kirin 980 поддерживает общие платформы искусственного интеллекта, такие как Caffee, Tensorflow и Tensorflow Lite, и предлагает набор инструментов, упрощающих разработку решений на устройстве.

Чип Kirin 980 дебютирует на потребительском рынке в нынешнем году в смартфонах Huawei Mate 20 и Mate 20 Pro.

В конце августа на площадке Конвенции по негуманному оружию делегаты 88 стран не смогли выработать юридически обязывающий международный договор о запрете роботов-убийц. С такой инициативой ранее выступили Австрия, Аргентина, Бразилия, Боливия, Ватикан, Россия в их число не входит.

В 2016 году 123 государства-члена ООН на конференции, посвященной обсуждению конвенции об использовании обычных вооружений, согласились начать официальные переговоры о возможностях применения автономного оружия. В 2017 году международная группа экспертов по искусственному интеллекту и робототехнике направила в Организацию Объединенных Наций открытое письмо с призывом остановить использование автономного оружия, поскольку оно грозит наступлением «третьей революции в военной области».

В МИД РФ ранее рассказали, что речь идет о технике, пока реально не существующей, поэтому представление о ней сейчас весьма поверхностное. Министерство указывает на сложности с четким разграничением гражданских и военных разработок в области автономных систем, а также отмечает, что действующих норм международного гуманитарного права достаточно для решения этого вопроса.

Делегаты все же согласовали на встрече десять принципов, на которых потенциально мог бы базироваться подход международного сообщества к данной проблеме. Они подразумевают, что все разработки в сфере военного искусственного интеллекта должны проводиться в соответствии с международным гуманитарным правом, а ответственность за использование подобных систем всегда несет человек.