В российской мультиформатной розничной компании Х5 Retail Group не занимаются развитием технологий искусственного интеллекта, а решают с их помощью конкретные прикладные задачи. Как именно? Об этом Валерий Бабушкин, начальник отдела инновационной аналитики и моделирования Х5 Retail Group, консультант в компании «Яндекс», а также приглашенный преподаватель в НИУ ВШЭ, расскажет на международной практической конференции «Технологии искусственного интеллекта 2019», которую издательство «Открытые системы» проведет 22 мая.

В бизнесе с огромными оборотами всегда крайне остро стоят вопросы оптимизации. Благодаря эффективной обработке накопленных данных о поведении покупателей и их предпочтениях розничные торговые сети вполне способны получить конкурентные преимущества при минимальных затратах. За счет таргетированных маркетинговых кампаний, оптимального размещения магазинов, выбора конкретного ассортимента с точным прогнозом срока выхода торговой точки на окупаемость, а также выявления «больных» магазинов можно существенно повысить прибыльность. А «умные» программы повышения лояльности клиентов, исключающие заведомо ненужные предложения или взаимодействие с незаинтересованной аудиторией, влияют на рост товарооборота и снижение потерь.

В Х5 Retail применяют аплифт-моделирование – прогнозный метод оценки эффекта воздействия промо-акций на потребителя, снижения оттока клиентов и определения их ценовой эластичности. Методам построения таких моделей в докладе Валерия Бабушкина, занимающего достойное место в мировом рейтинге специалистов по машинному обучению и анализу данных на платформе Kaggle, будет уделено особое внимание.

На прошлогодней конференции «Технологии машинного обучения 2018» Бабушкин рассказал о том, какие прикладные задачи крупные торговые сети научились решать с помощью машинного обучения. Подробнее об этом можно прочитать в интервью порталу CIO.ru, отрывок из которого приведен ниже.

По данным исследования «Цифровая экономика от теории к практике: как российский бизнес использует ИИ» РАЭК, НИУ ВШЭ и Microsoft, наиболее часто используемым типом решений на базе искусственного интеллекта в России являются виртуальные ассистенты: их применяют 38% руководителей и ведущих специалистов. На втором месте оказались прогнозный анализ (35%) и машинное обучение (35%). Ожидается, что в течение пяти лет применение искусственного интеллекта покажет взрывной рост в области беспилотного транспорта (с 9% до 24%) и робототехники (с 8% до 17%).

Лидерами по внедрению и использованию искусственного интеллекта являются маркетинг и реклама, ретейл, банковский сектор, телекоммуникации и промышленность. В промышленности чаще всего используют рекомендательные системы для принятия технологических решений и повышения безопасности производства, в розничной торговле – сервисы по решению логистических задач, изучению поведения покупателей, а в банках искусственный интеллект используют для формирования индивидуальных предложений и повышения эффективности таргетинга.

90% опрошенных экспертов считают, что в 2019-2024 годах искусственный интеллект повлияет на экономический рост, производительность труда, инновационное развитие и создание рабочих мест. Основными вызовами развития искусственного интеллекта в России 50% опрошенных называют управление данными (сбор, аналитика, интерпретация данных), квалификацию специалистов (37%) и необходимость изменения существующих бизнес-моделей (27%).

Ассоциация специалистов в области финансов, учета и аудита АССА провела исследование «Машинное обучение: наука, а не вымысел», посвященное использованию искусственного интеллекта и машинного обучения в области финансов. Оно показало, что 34% финансовых специалистов считают, что вокруг технологий слишком много неоправданного ажиотажа. Однако 60% респондентов уверены, что в ближайшие три года их использование станет привычным для большинства финансовых департаментов.

По данным исследования, число компаний, готовых применять для автоматизации процессов машинное обучение, растет. Так, 24% опрошенных заявили, что находятся на этапе обсуждения технологий с коллегами, а 12% – уже на переходном этапе тестирования.

59% готовы доверять машинному обучению при условии, что внедрение соответствующих алгоритмов будет осуществляться известным и проверенным поставщиком. Специалисты готовы отдавать на откуп искусственному интеллекту классификацию транзакций, активов и пассивов компании для налогового и бухглтерского учета (53%), бухгалтерский учет (47%), принятие решений в ходе аудиторских проверок (43%) и выявление случаев мошенничества (41%). А вот процессы с высокой долей риска (подбор персонала, принятие финансовых решений) готовы доверять роботам немногие.

В исследовании приняли участие 2000 респондентов из 111 стран (Австралия, Канада, Китай, Индия, Малайзия, Нигерия, Пакистан, Сингапур, Великобритания и др.).

В 2018 году профессия исследователя данных (data scientist) стала самой высокооплачиваемой в сфере ИТ. Ожидается, что в 2019 году по мере увеличения доступности соответствующих инструментов и технологий и перехода к практическому использованию средств искусственного интеллекта эту сферу ожидает дальнейший рост.

Недавний опрос Deloitte показал, что в организациях стали замечать потенциальные преимущества для бизнеса от технологий искусственного интеллекта, в связи с чем 57% респондентов заявило о своем намерении увеличить расходы в этой области.

«Мы находимся лишь в самом начале преобразований информационных систем, связанных с применением средств машинного обучения корпоративного уровня, – полагает вице-президент компании Cloudera Стивен Лайн. – В 2019 году произойдет выход соответствующих инструментов на новый этап зрелости: от проверки концепции организации перейдут к претворению ее в жизнь в промышленных масштабах. Внедрение корпоративного машинного обучения будет расширяться по мере того, как предприятия начнут автоматизировать процессы распознавания шаблонов, прогнозирования и принятия решений, что приведет к дальнейшему повышению эффективности, конкурентной дифференциации и росту. В условиях перехода первых последователей от подтверждения концепции к промышленному использованию множества различных сценариев будет происходить дальнейшее развитие технологий и накопление передового опыта с целью совершенствования операций, масштабирования, а в конечном итоге — раскрытия новых бизнес-возможностей и полного достижения поставленных перед проектом цифровой трансформации целей».

«Функции искусственного интеллекта на основе предварительного обучения сохранят популярность, но их начнут встраивать в более широкие решения, – указала главный аналитик Forrester Мишель Гетц. – Мы видим, что такого рода проекты набирают ход. По мере того как компании все чаще используют искусственный интеллект для радикальной модернизации, а не для подстройки деловых процессов и автоматизации рутинных операций, ценность его начинает затмевать существующие узкие подходы к решению конкретных задач, наподобие скоринга или распознавания фрода».

Новые приложения

По мнению аналитика Forrester Данкана Джонса, все больше поставщиков программного обеспечения будут встраивать искусственный интеллект в свои продукты, снижая потребность ИТ-служб в создании собственных инструментов.

Акценты средств бизнес-анализа начнут смещаться «от детализации к оповещению» за счет использования автоматизированных средств, предупреждающих людей о событиях и тенденциях, требующих их внимания.

«В конечном итоге вы будете управлять с помощью исключений, а не с помощью штампов, – заметил Джонс. – Таков мой прогноз в отношении программного обеспечения делового назначения. Процессы будут выполняться вручную в гораздо меньшей степени. Все будет отлажено и автоматизировано, так что люди смогут наблюдать за тем, что действительно требует контроля, а со всем остальным справятся программы».

Растущий потенциал науки о данных ведет к ускоренному развитию новых технологий. Дэвид Серли из Gartner считает, что увеличение числа автономных роботов, дронов и автомобилей способствует более естественному их взаимодействию с окружающей средой и людьми.

«По мере распространения автономных устройств мы ожидаем перехода к их взаимодействию, множество самоуправляемых устройств будут совместно работать друг с другом, как независимо от людей, так и при их участии, – подчеркнул он. – Если, к примеру, дрон, осматривая большое поле, обнаруживает, что оно готово к уборке, он может направить туда автономный комбайн. На рынке доставки наиболее эффективным решением представляется использование комбинации автономных транспортных средств, совместно перемещающих посылки по назначению. Скажем, на борту у робомобиля могут находиться роверы и дроны, осуществляющие доставку отправлений на последней миле, непосредственно адресату».

По мере совершенствования средств обработки естественного языка Гетц ожидает расширения сферы их применения.

«Виртуальные агенты будут обладать более глубокими знаниями и навыками и смогут шире применять разговорные практики в рамках одного взаимодействия», – подчеркнула она.

С этой точкой зрения согласен и технический директор компании Exasol Матиас Голомбек. «У Amazon Echo, Google Home и Apple Home уже имеются подключенные помощники, – указал он. – Впервые голосовое взаимодействие стало основным методом управления устройствами для воспроизведения музыки, получения основной информации и взаимодействия с интеллектуальной домашней техникой. Однако эти устройства не оказывают большого влияния на бизнес. Думаю, что в 2019 году голосовые интерфейсы начнут использоваться и в отдельных сценариях корпоративного назначения, а виртуальные ассистенты окажут офисным пользователям поддержку в деле рационализации процессов и при работе с электронной почтой, системами CRM, ежедневниками и другими деловыми приложениями».

Новые угрозы

Технический директор компании Tufin Ройвен Харрисон, занимающийся вопросами безопасности, убежден в том, что развитие голосовых приложений приведет к увеличению числа брешей в системе защиты данных.

«Атаки будут провоцировать людей подавать голосовые команды или воспроизводить на своем компьютере звук, порождая поток событий, позволяющих получать информацию о деятельности компании или собирать сетевые данные, облегчающие вторжение», – пояснил он.

«На сегодняшний день средства обнаружения помогают выявлять поддельное видео и изображения, – отметил главный специалист O’Reilly Media по данным Бен Лорика. – Но инструменты для генерирования фальшивого контента быстро улучшаются, и мы должны быть уверены в том, что темпы развития технологий обнаружения находятся на должном уровне. Методы машинного обмана позволяют сбивать с пути не только людей, но и машины – боты. Не стоит забывать и о том, что люди также обманывают машины. Существуют целые армии троллей и пользователей, щелкающих по ссылкам. Методы распространения информации и фермы кликов по-прежнему будут использоваться для ввода в заблуждение систем ранжирования и розничных платформ, а новые способы противодействия этому будут появляться так же быстро, как и новые формы машинного обмана».

Укрепление доверия

С вводом в действие норм, подобных европейской директиве по защите личных данных GDPR, любое из таких нарушений будет обходиться очень дорого. Сверхбольших штрафов за нарушение требований GDPR пока не назначалось, но руководитель службы безопасности компании KCOM Дэвид Фрэнсис убежден в том, что в 2019 году это наверняка произойдет.

«Если в 2018 году регуляторы еще не прибегали к жестким мерам, то в 2019 году нарушителей ждет расплата, – подчеркнул он. – Переходный период закрывается, и в новом году Евросоюз инициирует первые громкие дела в отношении нарушителей требований к защите персональных данных. Появится прецедент, по которому начнут судить о дальнейшем вероятном развитии событий, о том, насколько строгими будут правила и насколько высокими штрафы. Пока еще есть время проверить, в какой степени вы соответствуете нормативным требованиям. Не ждите, когда топор упадет на вашу голову».

Несмотря на риски компании стремятся внедрять у себя безопасные и эффективные меры защиты данных. Проведенный недавно KPMG опрос показал, что 61% топ-менеджеров включают укрепление доверия в тройку главных приоритетов своей организации, но только 35% людей, принимающих решения в сфере ИТ, уже сейчас испытывают высокий уровень доверия к проведению анализа в своих организациях.

По мнению Гетц, для укрепления доверия необходимо развивать «объяснимый» искусственный интеллект.

«При проведении машинного обучения основное внимание сосредоточено на алгоритме, – подчеркнула она. – Однако проблема номер один в области искусственного интеллекта связана с доверием к данным. И это вопрос не только науки о данных, но и бизнеса. Во-первых, бизнес-экспертам необходимо искать более эффективные способы разъяснения исследователям данных, какие выборки следует использовать в моделях. Во-вторых, нужны среды, которые позволяли бы понять и скорректировать применение искусственного интеллекта при решении тех или иных задач. Диаграммы рассеяния, гистограммы и прочее не слишком понятно бизнес-экспертам. Но традиционных информационных панелей с графиками и диаграммами может оказаться недостаточно. Пробелы в доверии к искусственному интеллекту и его адаптации помогают закрыть бизнес-анализ, очистка данных и среды управления».

ИТ-директор компании Insight Майк Гуггемос считает, что опасения начнут снижаться, а ведущие организации будут стремиться использовать функции искусственного интеллекта по максимуму там, где это возможно.

«2018-й год был годом шумихи и тревог в отношении искусственного интеллекта, – указал он. – В 2019-м мы переходим на следующий этап с широким внедрением искусственного интеллекта в корпоративной среде. Будет наблюдаться ускорение внедрения реальных приложений искусственного интеллекта, а соответствующая технология проникнет во все сферы бизнеса, приводя к изменению деловых операций, которого мы даже не будем замечать. Сервисы искусственного интеллекта, предлагаемые Microsoft и AWS в качестве эталонных архитектур, преобразуются в стандартные подключаемые сервисы, хотя и не всегда это происходит так просто, как заявлено. По мере превращения искусственного интеллекта в неотъемлемую часть деловой жизни, страх потери работы постепенно сходит на нет – люди осознают, что искусственный интеллект скорее помогает им, нежели вытесняет».

Новые навыки

Конвейер подготовки специалистов изо всех сил старается угнаться за стремительным развитием инструментов и технологий науки о данных. По мнению глобального вице-президента компании ABBYY Нила Мерфи, треть организаций, внедряющих средства искусственного интеллекта, уже в ближайшие полгода увеличит численность ИТ-персонала.

«Потребность в специалистах по искусственному интеллекту и технологиям автоматизации в 2019 году вызовет всплеск их найма по всему миру, – указал он. – Каждая третья компания будет расширять ИТ-персонал. С этой проблемой столкнутся представители самых разных отраслей – от производственной и сферы здравоохранения до некоммерческих, правительственных и финансовых организаций. Главный вопрос будет связан с модернизацией ИТ-инфраструктуры и заменой унаследованных систем в рамках программ цифровой трансформации. Для достижения этой цели бизнесу понадобится инвестировать время и деньги в поиск лучших талантов в своей области. В противном случае компании рискуют утратить конкурентоспособность».

Дефицит специалистов в области искусственного интеллекта заставит университеты переосмыслить свои стратегии. Согласно прогнозам профессора Калифорнийского университета в Сан-Франциско и главного научного сотрудника компании SnapLogic Грега Бенсона, уже скоро среди выпускников появятся дипломированные специалисты по машинному обучению.

«До недавнего времени машинное обучение и искусственный интеллект преподавались в качестве факультативных дисциплин, – пояснил он. – В дополнение к появлению соответствующих степеней бакалавров и магистров машинное обучение будет преподаваться студентам в качестве обязательных курсов».

Глубинное обучение и Python

Главный специалист по данным O'Reilly Media Бен Лорика полагает, что глубинное обучение получит мощный импульс к развитию, дополнив уже существующие приложения машинного обучения.

«Помимо новых систем, использующих технологии машинного зрения и речи, мы ожидаем усиления активности в сфере глубинного обучения, – подчеркнул он. – Причем это направление будет развиваться в первую очередь там, где у компаний уже имеются необходимые для этого данные и средства машинного обучения. Компании дополняют свои временные и геопространственные данные средствами глубинного обучения, повышая тем самым точность и масштабируемость. Появляются системы, в которых глубинное обучение сочетается с другими методами машинного обучения».

По мнению Лорики, специализированное оборудование сделает эти технологии доступнее, но более широкое распространение все же получат гибридные модели.

Всплеск интереса к глубинному обучению начался в 2011 году с появлением моделей обработки речи и компьютерного зрения. Сегодня оно приобрело уже достаточные масштабы для того, чтобы оправдать появление специализированного оборудования – одна только компания Facebook ежедневно выдает триллионы прогнозов. Проекты Google тоже достигли достаточной величины для окупаемости собственного специализированного оборудования. С прошлого года в облаке Google применяются тензорные процессоры.

Таким образом, в 2019 году нас ждет широкий выбор специализированного оборудования. Многочисленные компании из Китая и США работают над созданием аппаратных средств, предназначенных для построения моделей и задач логического вывода и рассчитанных на использование как в ЦОДах, так и на оконечных узлах.

По мнению Голомбека, ведущим языком программирования для исследователей данных станет Python.

«В 2019 году будут развиваться сразу несколько языков науки о данных, – указал он. – Однако прослеживается четкая тенденция, в соответствии с которой ведущим языком для машинного обучения станет Python, а технологии на базе Python (в частности, библиотека глубинного обучения TensorFlow) приобретут еще более широкую популярность».

Совет предприятиям

Организации, делающие только первые шаги в освоении возможностей искусственного интеллекта, основными его преимуществами, вероятно, сочтут средства расширенного анализа, которые встраиваются в корпоративные приложения и снижают потребность в профессиональных исследователях данных.

Для появления дополнительных возможностей потребуется более интенсивное вовлечение всех заинтересованных сторон в этот процесс.

«Рассматривайте искусственный интеллект как часть вашего человеческого капитала, а не замену ему, – указал Гетц. – Время, деньги и усилия, затрачиваемые на обучение технологиям искусственного интеллекта, столь же велики, как и затраты на обучение людей. Вчерашние выпускники вузов не могут пока похвастаться глубокими практическими навыками искусственного интеллекта, даже если у них написана дипломная работа на эту тему. Сегодняшние сотрудники вынуждены обучаться методом проб и ошибок. В сфере корпоративного искусственного интеллекта появляются передовые методы и практики, которые свидетельствуют о том, что искусственный интеллект необходимо развивать так же, как мы выращиваем специалистов на рабочем месте. Компании, подбирающие себе качественных работников и потенциальных сотрудников, быстрее заполняют штат, связанный с искусственным интеллектом. Они выделяют необходимое время и вкладывают средства в обучение и развитие карьеры, повышая тем самым конкурентоспособность своего бизнеса за счет эффективного использования технологий искусственного интеллекта».

«Яндекс» будет убирать ссылки на пиратский контент с помощью специальной программы-робота, которая ищет в Сети страницы, схожие с теми, что уже попали в пиратский реестр, пишут «Ведомости». Робот использует принципы машинного обучения.

В октябре прошлого года «Яндекс», Mail.ru, Rambler и «Кинопоиск» совместно с правообладателями — «Первым каналом», ВГТРК, «СТС Медиа», «Газпром-Медиа Холдинг», «Национальной медиа группой» и другими — подписали меморандум о сотрудничестве в сфере охраны исключительных прав в Интернете. Важная часть меморандума — добровольное обязательство «Яндекса» удалять ссылки на страницы с пиратским контентом из результатов выдачи по поисковым запросам пользователей.

Меморандум действует до 1 сентября 2019 года — к этому времени ожидается внесение поправок в антипиратское законодательство, соответствующих положениям меморандума.

Исследователи из Мельбурнского университета применили методы машинного обучения к задаче прогнозирования момента разблокировки смартфона пользователем. Такое знание помогло бы системе эффективнее планировать установку обновлений и синхронизацию данных, а также экономить энергию, считают исследователи.

В течение двух недель 27 владельцев смартфонов на базе Android держали на своих устройствах программу, собиравшую со смартфона различные данные, в том числе данные об уровне освещения, местоположении, передаче данных, а также данные подсистем Google Activity Recognition, распознающей с помощью машинного обучения действия пользователя и Android Pedometer, подсчитывающей сделанные пользователем шаги. Исследователи попытались также обойтись без данных с датчиков, на сбор которых уходит много энергии, предсказывая приближение момента разблокировки только по работе приложений, времени, событиям на экране и полу пользователя. В обоих случаях им удалось добиться почти точного предсказания, хотя и не конкретного времени разблокировки в течение суток, а лишь того, будет ли смартфон разблокирован в течение ближайших пяти минут.

Наиболее важными факторами оказались время, прошедшее с окончания предыдущей сессии, ее продолжительность, а также текущее время. Впрочем, пользователи часто вынуждены разблокировать смартфон из-за поступления сообщений, а их искусственный интеллект прогнозировать не может.

Во всем мире стремительно набирает популярность Robotic Process Automation. По оценке Gartner, RPA в 2018 году подобралась к пику кривой популярности, соответствующий рынок вырос на 57%, до 680 млн долл. и, как полагают аналитики, в 2022-м достигнет 2,4 млрд долл.

RPA – это относительно новый вариант автоматизации бизнес-процессов, позволяющий использовать программных роботов при решении повторяющихся, четко описанных, структурированных задач, не требующих анализа происходящего: заполнении форм; сборке, сверке данных и консолидации данных; вводе данных с клавиатуры, обработке стандартных входящих документов и т. д.

«Простота» робота, впрочем, имеет и обратную сторону: он может эффективно заменять человека только тогда, когда бизнес-процессы отлажены и упорядочены. Однако прогресс не стоит на месте, и уже существует понятие Intellectual PA — сочетание RPA и средств искусственного интеллекта.

О перспективах технологии в России рассказывает Максим Яцкевич, руководитель направления RPA в компании NFP, докладчик практической конференции «Роботизация бизнес-процессов 2019», которую издательство «Открытые системы» проведет 23 апреля.

— По наблюдениям аналитиков, в мире технология RPA находится на взлете; например, у Gartner она находится на пике ожиданий. Каково ее положение в России? Создается впечатление, что RPA теряется на фоне других модных новаций...

RPA — одна из «веток» развития систем искусственного интеллекта. При этом, на мой взгляд, у RPA в ближайшей перспективе несколько лучшее положение, чем у других его ветвей. Технологии машинного обучения пока находятся лишь на стадии осмысления их возможностей. Временами соответствующие системы используются для решения тестовых задач, но они все еще крайне далеки от применения в промышленных масштабах.

А технологии RPA уже внедряются. Первые проекты начались у нас в конце 2016 года, более или менее массовый интерес появился в 2017-м, а в 2018-м продолжил расти. Если говорить о кривой Gartner, то в России RPA только на подходе к пику ожиданий, но уже довольно близко к нему. Полагаю, что в 2019 году интерес к ней будет расти, увеличится количество проектов по внедрению. И, как следствие, ускорится развитие самих инструментов для автоматизации.

— Какая технология — главный конкурент RPA?

Мы пытаемся с помощью RPA заменить человека, поэтому человек и является главным конкурентом: когда идет обсуждение проекта, ведется сравнение текущей стоимости процесса «в ручном» исполнении и в роботизированном.

Второй конкурент — это «обычная» автоматизация, с которой RPA соперничает в стоимости и скорости внедрения.

— А другие формы искусственного интеллекта, например упоминавшееся глубинное обучение?

Они, как правило, идут в паре с роботизацией, дополняют друг друга. Мы ведь внедряем RPA чаще всего в линейные, простые процессы. А если процесс сложный, связанный с распознаванием первичных документов, нечеткими логическими операциями, то там применяются инструменты глубинного анализа, машинного обучения и прочие продвинутые интеллектуальные средства.

— Нахождение на пике цикла Gartner подразумевает неизбежность последующего падения. Можно ли уже сейчас сказать, какие достоинства RPA переоценены, какие недостатки пока незаметны?

Падение с пика бывает всегда, вопрос только в его глубине. Одно дело — упасть, условно говоря, «как биткоин», почти до полного разочарования. Другое – это найти свое место среди прочих инструментов автоматизации.

Одной из причин разочарований может стать неспособность RPA, как, впрочем, и других технологий, автоматизировать хаос. При внедрении роботов необходимо навести порядок в бизнес-процессах, так что RPA, можно сказать, является стимулом к пересмотру процессов, их упорядочению, подготовке, как любят теперь говорить, — к цифровой трансформации. Для робота тоже надо подготовить рабочее место.

Можно, конечно, попробовать применять роботов, не меняя предприятие, посмотреть, как они действуют в текущих процессах, или подобрать для них более правильный процесс «на лету». Но в целом RPA надо «класть» на подготовленный ландшафт, на процессы, которые готовы к роботизации.

В общем, некоторое разочарование, конечно, будет, но я думаю, что, когда ситуация нормализуется, ожидания от RPA будут определенно выше, чем это наблюдается сегодня.

— В России уже достаточно проектов по внедрению RPA, хотя бы пилотных, чтобы можно было оценить, в каких отраслях проявляют наибольший энтузиазм?

Проектов ведется достаточно много, точное количество назвать трудно, поскольку кто-то приглашает сторонних интеграторов на такие проекты, кто-то развивает свои центры компетенции.

Касательно нашего опыта, многие заказчики приглашают нас для проведения подготовительных работ. Недавно мы участвовали сразу в нескольких тендерах, которые посвящены тому, чтобы подготовить компанию к полномасштабному внедрению роботизации.

Одна из самых заинтересованных отраслей — финансовая. У банков огромное количество однообразных транзакций, основная масса операций связана с денежными средствами и персональными данными, работу с которыми имеет смысл поручить роботам.

Далее, на мой взгляд, идет кадровая сфера. Она тоже связана с людьми и с их персональными данными.

Есть спрос в производственных компаниях. Там требуется обрабатывать запросы на большое количество позиций — материалов, запасных частей. И роботы могут снять с сотрудников однообразную нагрузку, отнимающую много времени.

Есть интерес у ретейла, где тоже работают с большой номенклатурой товаров, с огромным потоком бухгалтерских и кадровых документов.

— Наш традиционный вопрос: о чем вы собираетесь рассказать на конференции и о чем хотели бы услышать сами?

Я собираюсь сделать доклад о грамотном подходе к комплексной автоматизации и использованию при этом технологий RPA. Необходимо, чтобы на роботизацию посмотрели трезво, а не видели в ней способа закрытия «дыр» в процессе автоматизации.

Самому мне всегда интересно послушать о практическом опыте других компаний, узнать, с чем они сталкиваются в процессе внедрения RPA, как решают эти проблемы.

Робот, сконструированный учеными из Массачусетского технологического института, способен самостоятельно перемещать манипулятором блоки в игре «Дженга», ориентируясь не только с помощью зрения, но и с помощью ощущений. В игре нужно по одному вынимать блоки из сложенной из них башни так, чтобы башня не упала. Дотрагиваясь до блока, робот измеряет силу, которая требуется для того, чтобы сдвинуть блок, а затем сопоставляет данные измерений с теми, что были получены на предыдущих ходах игры и с их результатами: удалось ли тогда извлечь блок из башни. Обучаясь в реальном времени, робот принимает решения о том, стоит ли двигать блок дальше, или лучше перейти к другому блоку.

В отличие от шахмат или го, для игры «Дженга» требуется умение манипулировать реальными физическими объектами. Смоделировать это очень сложно, отмечают ученые, и поэтому роботу приходится обучаться на настоящей башне, сложенной из блоков «Дженги». Провести десятки тысяч экспериментов с реальными объектами тоже сложно, и ученые применили метод кластеризации сходных результатов — например, в одном кластере могли быть собраны попытки сдвинуть плотно зажатый блок, в другом — относительно более свободный, и так далее. Благодаря этому роботу для обучения хватило всего около 300 попыток.

Методы обучения роботов действиям с реальными объектами могут пригодиться во многих практических задачах — от сборки телефонов до сортировки мусора, полагают авторы.

За последние пару лет было опубликовано сразу несколько исследований, описывающих прецеденты, когда искусственный интеллект превосходит врача в точности диагностики. Прежде всего это касается случаев, когда для постановки диагноза требуется провести тщательный анализ медицинских изображений.

В столице все «тяжелое» медицинское оборудование поликлиник, предназначенное для лучевой диагностики, связано в общий цифровой контур Единым радиологическим информационным сервисом. Полученные снимки и сделанные по ним медицинские заключения могут анализироваться с помощью технологий машинного обучения. В пилотном проекте скрининга рака легкого, охватывающем 10 городских поликлиник, когнитивную систему обработки естественного языка IBM Watson Explorer обучили искать расхождения в протоколах между описаниями и заключениями, а также проверять, как врачи следуют методическим рекомендациям о тактике ведения пациентов после скрининговой низкодозной компьютерной томографии. Система принимает соответствующие решения с точностью 95%.

На ежегодном форуме BIG DATA 2019 издательства «Открытые системы» Виктор Гомболевский, руководитель отдела развития качества радиологии Научно-практического клинического центра диагностики и телемедицинских технологий Департамента здравоохранения Москвы, расскажет о том, какую роль играет искусственный интеллект в онкологическом скрининге. А сейчас он ответил на несколько вопросов.

- В чем основная проблематика больших данных в медицине?

Мир больших данных представляет благодатную почву для различных ИТ-продуктов, растущих как грибы после дождя. При этом сведения многих медицинских информационных ресурсов остаются незащищенными. Сегодня на основе агрегирования данных соцсетей можно предсказать дату рождения ребенка, чтобы вовремя предоставить маме рекламу коляски; медицинская информация сулит акулам бизнеса миллиарды. Поэтому, хотим мы того или нет, медицинские данные будут использоваться как во благо человека, так и во зло. Под благом можно понимать ИТ-решения, способные привести к продлению жизни конкретного человека и повышению качества его жизни, а под злом — те, что могут нанести ущерб, либо не окажут положительного воздействия на жизнь и ее качество (например, продажа информации о болезни пациента с целью увеличить его страховые взносы в связи с повышенным риском инфаркта).

- Что сулит применение искусственного интеллекта для анализа медицинских данных?

Для диагностики важен целый пул информации, окружающей пациента (его покупки, диагнозы, риски каких-либо состояний и т. д.). Ее анализ ведет к новой медицине — персонализированной и превентивной. Так, по результатам анализа больших данных можно предсказать риск психического заболевания у конкретного человека, в том числе депрессивных состояний, сопровождающихся суицидальными наклонностями.

Превентивная медицина представляется сверхэкономичной, так как фокусирует усилия точечно. Например, лекарственный препарат может не помогать 96% пациентов, но конкретному человеку нужно рекомендовать именно его, а другому, напротив, от данного назначения следует воздержаться, поскольку высок риск аллергической реакции.

Еще один пример — проведение исследований не всем подряд раз в год, а для каждого пациента по персональному графику, составленному в зависимости от его рисков.

Значительную часть рутины в работе врача можно автоматизировать за счет предварительного сбора и первичного анализа данных. Врач должен принимать решения, «переварив» вводную информацию, но зачастую ее так много, что пациент отсекает эпизоды, которые могут иметь решающее значение. Например, для того чтобы дифференцировать отдаленное распространение онкологического процесса на кости, важна информация о травмах, а пациент уверяет, что никаких травм не было. Но если его переспросить, «когда был перелом», то в ответ можно услышать «это же был перелом, а не травма».

Есть разные сценарии использования искусственного интеллекта в диагностике — от формирования «умного расписания» до агрегирования данных с целью построения предсказательной модели, позволяющей добиться повышения качества на каждом шаге.

Активный поиск новых сфер применения искусственного интеллекта в медицине, в том числе в скрининге, продолжается. Ведутся исследования по обнаружению очагов в легких по результатам низкодозной компьютерной томографии для скрининга рака легкого: на одном из открытых конкурсов было разработано более 18 тыс. алгоритмов искусственного интеллекта с различными результатами по одной задаче.

- Если результаты различаются даже на обучающих выборках, не обесценивает ли это работу алгоритмов в глазах врачей?

Именно поэтому обучающие и тестовые выборки должны быть максимально близки к реальным условиям применения. Иначе можно трактовать эти результаты совершенно по-разному. Например, в некоторых странах флюорографию выполняют в одежде. Обученный на отечественных кейсах искусственный интеллект не подойдет для них, так как в каждом пациенте он будет видеть неизвестную для себя ситуацию, которую вполне может признать патологией.

- Как решается проблема доверия к искусственному интеллекту?

Ответ состоит из двух частей. Во-первых, человек должен признать, что он не поймет, как работает искусственный интеллект: мы действительно не понимаем, как он приходит к тому или иному выводу. Но понимаем ли мы, как работает мобильный телефон, электронная почта или калькулятор? Разве это меняет наше доверие к ним? Во-вторых, алгоритмы искусственного интеллекта являются не целью, а еще одним инструментом в руках врача, увеличивающим его возможности.

- О чем вы расскажете участникам форума?

О результатах уже завершенного проекта по применению искусственного интеллекта, о выводах, которые мы сделали, и текущих задачах, где мы пытаемся расширить «компетенцию» искусственного интеллекта в диагностике. А также о том, каким образом мы добились высокой точности обработки естественного языка и какими должны быть обучающие выборки для алгоритмов поиска патологий на медицинских изображениях.

Система машинного обучения, разработанная специалистами Квинслендского технологического университета, способна предугадать все удары по мячу, которые совершат в любой момент матча три сильнейших теннисиста мира: Новак Джокович, Рафаэль Надаль и Роджер Федерер.

Модель была обучена с помощью видеозаписей, сделанных автоматизированной системой судейства Hawk Eye. Компьютер «изучил» 3400 ударов Джоковича, 3500 Надаля и 1500 Федерера. Каждый удар был отмечен исследователями вручную, как возвратный, выигрышный или ошибочный.

Модель прогнозирует около 2 тыс. ударов в минуту, в числе прочего принимая во внимание время, прошедшее с начала матча и соответствующие изменения стиля игры теннисиста. По словам исследователей, с помощью компьютерной системы они пытаются имитировать работу, которую предположительно выполняет мозг спортсмена при игре. Они отмечают, что труднее всего модели дается предсказание ударов Федерера.

Уже через несколько лет такую модель можно будет использовать для разработки тренировочного режима ведущих теннисистов, полагают ученые. Кроме того, ее можно было бы применять в системах виртуальной реальности, которые дают возможность всем желающим сыграть с цифровыми версиями теннисных чемпионов.