«Додо пицца» запустила нейронную сеть, которая позволит эффективно контролировать качество приготовленной пиццы в любом заведении сети.

Приложение на основе машинного обучения разработано на блокчейн-платформе для создания искусственного интеллекта Dbrain.

Приложение работает в виде Telegram-бота. Бот был разработан для внутреннего сообщества тайных покупателей пиццерии. «Додо пицца» формирует рейтинг качества пиццерий по фотоотчетам клиентов, и до недавнего времени экспертами выступали только люди, которые еженедельно оценивали почти 700 пицц на соответствие стандартам. Теперь проверяющие смогут в любое время отправить фотографию пиццы боту, который сразу же даст оценку продукту от 0 до 10 по ключевому критерию — качеству теста.

Для приложения, которое распознает качество теста, на платформе Dbrain было размечено более 50 тыс. фотографий пиццы, сделанных с разных ракурсов. Для решения этой задачи была разработана модель нейросетей, которая проходила несколько этапов обучения. Так, на первой стадии она сегментирует пиццу и находит изъяны. На втором этапе модель обучается на данных, которые предоставили тайные покупатели и эксперты, занимающиеся оценкой качества пиццы. Так нейросеть понимает систему оценки качества пиццы людьми и может помогать им в решении этой задачи.

Обучение и тестирование бота заняло полтора месяца. В процессе работы бот обращается к платформе и передает данные для анализа. «Додо пицца» рассчитывает, что бот поможет снизить количество ошибок, а в будущем полностью заменить человека и в разы увеличить количество проверяемых пицц. Например, с помощью видеокамеры на печке программа успеет проверить не две пиццы в неделю, а 300 в день — то есть все выходящие из печи пиццы.

Компания Samsung Electronics открыла в Москве центр исследований в области искусственного интеллекта, сообщает «Интерфакс».

Центр будет работать по пяти направлениям в сфере искусственного интеллекта: машинное обучение, распознавание и синтез речи, распознавание визуальных объектов (компьютерное зрение), робототехника и системы «умной» помощи водителям.

Московская площадка станет пятым подобным центром в мире: в конце 2017 года исследовательские лаборатории были открыты в Сеуле и в Кремниевой долине, а в конце мая 2018 года — в Кембридже и Торонто. При работе планируется тесное взаимодействие специалистов всех пяти центров.

В московском центре приоритетными сферами станут машинное обучение и компьютерное зрение.

Направление машинного обучения возглавил профессор НИУ ВШЭ Дмитрий Ветров, руководителем направления компьютерного зрения стал доцент Сколковского института науки и технологий («Сколтех») Виктор Лемпицкий.

В Samsung намерены к 2020 году интегрировать функции искусственного интеллекта во все свои продукты и сервисы.

Компания Splunk продолжает инвестировать в технологии искусственного интеллекта, помогая клиентам обнаруживать машинные данные и реагировать на них быстрее, чем раньше.

Новые функции искусственного интеллекта появились во всех основных продуктах Splunk, включая Splunk Enterprise, Splunk Cloud, Splunk IT Service Intelligence (ITSI), Splunk User Behaviour Analytics (UBA) и Splunk Machine Learning Toolkit.

В Splunk Cloud и Splunk Enterprise 7.1 добавлены расширенные средства контроля и выдачи уведомлений о состоянии различных параметров: производительности центрального процессора, доступном дисковом пространстве и о потоках данных, поступающих с устройств Интернета вещей.

Решение мониторинга и анализа Splunk ITSI также модернизировано с использованием технологий искусственного интеллекта для прогнозирования простоев. Средства машинного обучения помогают уменьшить событийный «шум» и определить приоритеты событий, оказывающих наибольшее воздействие на эффективность бизнеса.

Обновления Splunk UBA включают новые модели машинного обучения и расширения существующих моделей, помогающие выявлять и своевременно устранять чувствительные проблемы безопасности и внутренние угрозы.

В состав обновленного набора инструментов машинного обучения MLT (Machine Learning Toolkit) включен экспериментальный интерфейс управления, позволяющий просматривать, управлять, оценивать и осуществлять мониторинг состояния экспериментов в области машинного обучения, а также готовых моделей для распознавания образов, выявляя лучшие средства для подготовки моделей машинного обучения.

Компания Splunk анонсировала также расширение интеграции с программным обеспечением с открытым кодом и облачными технологиями Kafka, Kubernetes и Docker.

«Splunk Connect for Kafka улучшит наш процесс изучения активности в Интернете, производительности и безопасности сценариев использования, – отметил менеджер GitHub по реагированию на инциденты в сфере безопасности Джон Суонсон. – Сейчас у нас есть возможность принимать большие потоки данных практически в режиме реального времени, ежедневно обрабатывая в Splunk Enterprise терабайты данных системных журналов кластера Kafka».

Все это произошло спустя всего несколько недель после того, как Splunk анонсировала первое специализированное решение Интернета вещей Industrial Asset Intelligence, активно использующее машинное обучение для планирования технического обслуживания имеющихся ресурсов.

Изменения вступают в силу немедленно, так что клиенты имеют возможность обращаться к новым функциям прямо сейчас.

Поставщик начал говорить об использовании средств машинного обучения (в том числе средств распознавания образов и выявления аномалий, интеллектуальной выдачи предупреждений и уведомлений в ITSI, ES и UBA, а также о выпуске бесплатного набора инструментов для машинного обучения) на своей платформе еще в сентябре 2016 года.

Теперь клиенты используют эти функции для углубления автоматизации и уменьшения отклонений в своих машинных данных.

«Благодаря Splunk Enterprise мы можем гарантировать нашим клиентам наилучшее качество при обращении к телефону, совершении звонка и оплате счета, – указал старший директор T-Mobile по управлению сетевыми сервисами Джонатан Зильберлихт. – Например, с помощью Splunk Connect for Kafka мы расширяем возможности анализа в реальном времени, что в свою очередь помогает нам принимать более обоснованные решения при обслуживании клиентов. На Splunk Enterprise, Splunk IT Service Intelligence и Splunk Machine Learning, помогающие нам развивать свой бизнес, мы планируем опираться и в дальнейшем».

«Машинное обучение в Splunk Enterprise мы используем для прогнозирования того, когда и где нам придется действовать быстрее, и для изменения своих планов в целях улучшения обслуживания клиентов, – заметил менеджер отелей Hyatt по разработке приложений, стратегическим системам и инновациям Сезар Мендоса. – Бесплатный инструментарий Splunk Machine Learning Toolkit применялся для оценки типичного использования сетей Wi-Fi нашими клиентами. Мы немедленно связываемся с провайдером, чтобы скорректировать выделяемые мощности, еще до того, как нам начнут звонить недовольные клиенты. Средства искусственного интеллекта Splunk применяются для профилактики клиентского обслуживания на ежедневной основе».

В 2017 году об искусственном интеллекте говорили повсюду, но обещанный подъем машин так и не нашел своего материального подтверждения.

Несмотря на шумиху, реальные сценарии использования остаются весьма ограниченными, но в 2018 году ситуация может измениться.

Реальность на смену шумихе

Компании уже сейчас вкладывают в искусственный интеллект огромные средства, но большая часть этих инвестиций пока не получила желаемой отдачи. По оценкам Forrester, 55% компаний так и не добились от искусственного интеллекта осязаемых выгод, а по мнению 43%, об успехах искусственного интеллекта говорить еще слишком рано.

«Существует много экспериментальных проектов и много подтвержденных концепций, но помимо самого понятия искусственного интеллекта и его потенциальных возможностей есть определенные требования, которые необходимо выполнить для успешного запуска всех этих интеллектуальных систем», – пояснила один из авторов отчета Forrester «Медовый месяц искусственного интеллекта окончен» Мишель Гетц.

Организации начинают понимать необходимость инвестиций в технологии, ставя перед собой четкие бизнес-цели. Владельцы бизнеса, исследователи данных, технологи – все они должны быть вовлечены в этот процесс.

Это потребует не только наличия экспертов, не только создания условий для внедрения технологии, но и выявления тех потенциальных преимуществ, которые бизнес сможет извлечь из технологий.

Если вы не можете определить для себя цель, выходящую за рамки постепенных небольших улучшений, затраты на внедрение искусственного интеллекта перевесят получаемую от него выгоду, и ваш проект просто не окупится.

Точки роста интеллекта

С Гетц согласна и генеральный директор Yandex Data Factory Евгения Завалишина. Она уверена, что растущее понимание современной науки о данных принесет результаты как в традиционных отраслях, так и на цифровых в первую очередь по своему характеру предприятиях.

«Речь идет не просто о многообещающих инвестициях в технологии, – подчеркнула Завалишина. – Искусственный интеллект превращается прежде всего в практический инструмент улучшения бизнеса. Если в 2017 году речь шла о понимании потенциальных возможностей искусственного интеллекта, то в 2018-м – о его реальном практическом применении».

Это означает изменение всей картины искусственного интеллекта, переход от его восприятия в виде чего-то экзотического к внедрению роботизированных помощников и обыгрыванию машинами людей в шахматы и го. За всем этим незримо стоит искусственный интеллект.

Этот «невидимый искусственный интеллект» обеспечивает оптимизацию процессов традиционного бизнеса (например, в нефтяной и газовой отраслях) на основе машинного обучения.

Анализируя исторические данные, организации могут создавать более точные прогнозные модели функционирования оборудования и получать в реальном времени рекомендации по поддержке и внесению необходимых изменений в целях дальнейшего повышения эффективности.

Рост числа датчиков Интернета вещей и аналитических средств на оконечных узлах сети также способствует росту доступности промышленного искусственного интеллекта. Теперь, когда о преимуществах искусственного интеллекта говорят повсеместно, предприятия других отраслей, известные своим неприятием новых технологий, тоже начинают понимать его ценность для бизнеса.

Исследовательские, административные и консультационные подразделения, равно как и представители других секторов, выдвигающие предположения и делающие выводы на основе клиентской информации, видят, какой прорыв сулит все это.

«Мы наблюдаем колоссальные сдвиги, потому что машины обрабатывают огромные объемы информации самых разных типов, объединяя их и делая выводы гораздо быстрее, чем способен человек», – подчеркнула Гетц.

Ориентация на данные

В 2017 году наука о данных (Data of Science) сделала большой шаг вперед, но ее потенциал сдерживается низким качеством данных. Зачастую это заставляет исследователей данных тратить дополнительное время на подготовку и фильтрацию данных плохого качества.

«Думаю, что одним из вопросов, который требует практического рассмотрения, является повышение качества данных, – указал старший вице-президент компании Infogix по пресейлу аналитических средств Рави Рао. – Об управлении данными надо задумываться при планировании любой аналитики, не оставляя это на потом».

Рао убежден, что в ближайшее время мы станем свидетелями дальнейшей автоматизации процесса управления данными. Будет обеспечено автоматическое обновление данных, а в новых системах и новых наборах данных появятся все необходимые элементы управления.

«В перспективе это станет необходимым техническим условием, – пояснил он. – Ключевая роль будет отводиться искусственному интеллекту и машинному обучению, причем не только в продвинутой аналитике, но и во всем, что внедрению этой аналитики способствует. Речь, в частности, идет о качестве данных и управлении ими».

Доступность глубинного обучения

Исследователи данных по-прежнему в дефиците, и высокий спрос на них сохраняется, но глубинное обучение станет доступнее благодаря снижению входного порога.

Три ведущих поставщика облачных сервисов – Google, Amazon и Microsoft – предлагают сейчас услуги почасовой аренды своих графических процессоров, которые клиенты могут использовать для обучения своих нейронных сетей.

«После завершения обучения большого объема вычислений для выдачи прогнозов уже не потребуется, – заметил генеральный директор компании Insightly Энтони Смит. – Возможность аренды очень мощных графических процессоров на несколько часов для проведения обучения вместо физической их закупки поможет ускорить процесс».

Рост популярности чатботов

Смит убежден в том, что в 2018 году чатботы на основе искусственного интеллекта получат повсеместное распространение и помогут предприятиям оптимизировать процесс своего взаимодействия с клиентами и организационно-штатную структуру контакт-центров.

«В области маркетинга и CRM диалоговый интерфейс – как голосовой, так и текстовый – стал весьма востребован, – подчеркнул он. – В последние пару лет создание таких интерфейсов было сопряжено с существенными сложностями. Но Facebook и Google, проделав очень большую работу в потребительском пространстве, предложили ряд инструментов, упрощающих построение чатботов. Сейчас мы видим, что некоторые из этих инструментов являются уже достаточно зрелыми, и их можно использовать в том числе и в корпространстве B2B».

Голосовые технологии представляют собой вполне конкурентоспособную альтернативу электронным формам. При этом интерфейсы чатов отфильтруют или ограничат число вопросов исходя из предыдущих ответов пользователя.

«Для большинства людей это действительно гораздо быстрее и удобнее по сравнению с необходимостью заполнять формы всякий раз, когда вы хотите что-то получить от сайта, – указал Смит. – Нам кажется, что в 2018 году такие возможности будут весьма востребованными».

Смена ролей

В условиях растущей важности анализа данных поддерживающую роль должна играть вся организация.

«Чтобы наладить и правильно реализовать программу управления данными и повышения их качества, нужна организация, которая будет заниматься поддержкой соответствующих вопросов, – указал Рао. – Эту роль не может играть команда аналитиков. Традиционное ИТ-подразделение тоже не должно решать эти задачи, поскольку выполняет иные базовые функции. На передний план здесь выходит директор по данным со своей командой, обеспечивающий должное качество данных и управление ими при реализации всех аналитических инициатив. И в этом смысле директор по данным становится все более важной фигурой в любой организации».

Роль директора по данным в ближайшей перспективе не подвергается сомнению, но есть и другие люди, от которых также зависит очень многое.

«Думаю, что существенный вклад в расширение возможностей анализа должен внести главный аналитик», – добавила Гетц.

А вот в том, что роль директора по искусственному интеллекту получит повсеместное распространение, у аналитика Forrester есть сомнения.

«Я так не считаю, – указала она. – Вопросами использования технологий в бизнесе и их стратегическими аспектами должен заниматься директор по цифровым технологиям. Чаще всего директор по цифровым технологиям и директор по данным поддерживают тесное взаимодействие друг с другом, а в некоторых организациях директор по данным подчинен директору по цифровым технологиям».

По мнению Завалишиной, в ближайшее время должны появиться и новые роли, значение которых нам еще только предстоит осознать.

«Понимание науки о данных, безусловно, окажет существенную помощь, но нельзя забывать и о деловых навыках, – указала она. – Сегодня востребованы специалисты, находящиеся на пересечении сферы управления и науки о данных. Исследователи данных пользуются большим спросом, а поиск подходящей кандидатуры (если она вообще существует) выливается в очень сложный и дорогостоящий процесс. В ближайшее время потребность в таких людях будет только расти, и компаниям придется учиться использованию передовых технологий для решения стоящих перед ними задач».

Одним из ключевых докладчиков форума Big Data 2018, проведенного издательством «Открытые системы», стала Анна Румянцева, исследователь данных (Data Scientist) компании Hitachi Vantara. Ее доклад был посвящен тому, как перейти от бизнес-аналитики к искусственному интеллекту, а мастер-класс — внедрению методов машинного обучения в бизнес. Computerworld Россия поговорил с Анной о направлениях развития искусственного интеллекта, проблемах и перспективах его внедрения.

- Ваше выступление на BIG DATA 2018 называлось «Как перейти от бизнес-аналитики к искусственному интеллекту?» Каковы критерии отличия результатов работы систем бизнес-аналитики от результатов работы искусственного интеллекта?

Бизнес-аналитика основана на работе со структурированными данными. В ней используются традиционные методы математического анализа и статистики. По большей части бизнес-аналитика является «описательной аналитикой» (descriptive analytics).

Искусственный интеллект позволяет перейти к предсказательной и предписывающей (prescriptive) аналитике. С их помощью компании могут предсказывать события или даже выбирать наилучший алгоритм действий для решения актуальных задач. Ценность этих видов аналитики для бизнеса гораздо выше. И они подразумевают работу с разными типами и большим объемом данных, а также внедрение сложных математических методов в бизнес-процессы.

- Сегодня, говоря о практическом применении искусственного интеллекта, как правило, подразумевают технологии машинного обучения и нейронных сетей. Справедливо ли это и можно ли выделить еще какие-то актуальные направления искусственного интеллекта?

Практическое применение систем искусственного интеллекта не ограничено выбором алгоритма или математической модели. Крайне важно выстроить систему работы для интеграции, обработки, процессирования данных, тренировки алгоритмов и моделей и применения их на новых потоках данных.

В плане методов искусственного интеллекта и машинного обучения, в настоящее время большую популярность набирают нейронные сети, байесовские сети (сеть, объединяющая переменные и вероятностные зависимости между ними. — Прим. ред.), автоматизированное машинное обучение, обработка естественного языка. Методы искусственного интеллекта крайне разнообразны и требуют привлечения специалистов в этой области. Но помимо знания математической базы этих методов, важно понимать, как они могут быть внедрены в бизнес-процессы и как может быть выстроена работа с ними.

- Чего не хватает для того, чтобы превратить большие данные в «разумные», полноценный источник информации для систем искусственного интеллекта?

Существует три основных составляющих для решения этого вопроса. Во-первых, в команде должны быть специалисты по подготовке данных (их выгрузке из внешних источников, трансформации и очистке), интеграции больших данных, передовой аналитике, искусственному интеллекту и машинному обучению. Во-вторых, в компании должен быть подходящий набор программного обеспечения для координации разных рабочих процессов. В-третьих, очень важны скоординированные действия специалистов разного профиля при работе с данными.

- Каково положение с внедрением искусственного интеллекта в разных странах, как на общем фоне выглядит Россия?

Этот процесс определяется наличием интеллектуальных ресурсов, финансированием проектов, связанных с технологией, и общим развитием ИТ-сферы в стране. По этим критериям в области внедрения технологий искусственного интеллекта доминируют США, Китай, Россия, Япония и некоторые страны Европы. У России есть возможность стать одним из мировых лидеров в области искусственного интеллекта, если будет продолжаться поддержка и развитие проектов, а также будут совершенствоваться навыки профильных специалистов.

- Какие есть страновые особенности в области внедрения искусственного интеллекта (например, где-то он более популярен в ретейле, где-то — в логистике, в одних странах много дискутируют об опасностях в духе «восстания машин», в других больше озабочены потенциальным ростом безработицы, в третьих развивают искусственный интеллекта не философствуя)?

Внедрение и адаптация методов искусственного интеллекта сильно отличается в разных областях бизнеса. Например, их применение достаточно развито в области высоких технологий и связи, а также в финансовой и банковских сферах. В то же время внедрение искусственного интеллекта отстает в таких отраслях, как транспорт и логистика, здравоохранение и образование.

На данном этапе развития технологии я бы не стала говорить о существенном замещении рабочей силы роботами и искусственном интеллекта. Но в скором времени можно ожидать переквалификации работников с увеличением доли интеллектуальных технологий в компаниях.

Действительно, существует много опасений и фантазий, связанных с развитием искусственного интеллекта. Однако могу заверить, что на нынешнем этапе применение методов искусственного интеллекта направлено на повышение эффективности производственных процессов, уменьшение рисков производственных травм и поломки оборудования, а также на другие аспекты деятельности компаний, а не на захват власти над миром.

В 2017 году, финансовые итоги которого были обнародованы в рамках ежегодного форума SAP Forum, выручка компании в России составила 468,4 млн евро, что на 32% выше, чем годом ранее, причем драйвером роста стали облачные решения. Облачное направление показало двукратный прирост по сравнению с предыдущим годом: судя по всему, «безоблачная» жизнь для отечественных предприятий закончилась.

Более сотни топ-менеджеров крупных российских компаний приняли участие в форуме с общим числом посетителей около 5 тыс. человек, вниманию которых были предложены девять параллельных сессий, более 80 докладов от экспертов и клиентов SAP, а также выставка из 70 стендов и 17 демозон.

Чем вызван такой всплеск интереса к решениям SAP? Наталья Парменова, генеральный директор SAP CIS, объясняет это так: «Сегодня нашим клиентам важно показать, что они меняются и готовятся к работе в цифровой экономике. Впервые многие из них демонстрируют не только свои достижения, но и рассказывают о своих планах, открываются для внешнего мира, а еще два-три года назад такие предприятия, как, например, НЛМК, выступать публично не спешили».

С целью повышения безопасности и снижения числа несчастных случаев на Новолипецком металлургическом комбинате развернута система мониторинга за действиями и перемещениями персонала. Проект, занявший четыре месяца, потенциально может быть тиражирован на всех предприятиях металлургической отрасли. Другой проект, представленный НЛМК впервые (о соответствующих работах говорилось также на недавнем форуме BIG DATA 2018. — Д.В.), имел своей целью прогнозирование замены доменных фурм, одного из наиболее дорогостоящих компонентов в литейном производстве. Фурмы выходят из строя более 200 раз в год, срок их службы варьируется в широких пределах, а внеплановый выход из строя влечет за собой остановку доменной печи или снижает ее эффективность. Созданное решение, которое позволяет точно прогнозировать выход фурм из строя, сэкономит предприятию десятки миллионов рублей в год. Выступая на SAP Forum, Олег Багрин, член правления и председатель комитета по стратегическому планированию группы НЛМК, заявил: «НЛМК можно вполне назвать технологической компанией с семью доменными печами».

Наталья Парменова: «Российская экономика сейчас проходит важный этап; конкурентоспособность страны зависит от результативности, скорости и масштабов цифровизации»

«Мы не та компания, которая берется предсказывать будущее, мы зажигаем только те звезды, которые кому-то нужны», — отметила Парменова. Предприятиям цифровой экономики сегодня нужен сплав из таких технологий, как Интернет вещей, блокчейн, машинное обучение, предсказательная аналитика. Именно это и пытается реализовать SAP, обеспечивая их совместную работу для того, чтобы гарантировать своим заказчикам синергетический эффект в сильносвязанном мире. Возможно поэтому и выставочное пространство форума было структурировано на этот раз не по отраслям, а по технологиям. Идея интеграции легла, например, в основу платформы SAP Leonardo, позволяющей создавать и поддерживать выполнение индивидуальных бизнес-сценариев, отдельные компоненты которых для разных отраслей можно найти в репозитории приложений SAP Store, созданном по аналогии с Google Play. Сегодня уже 15 клиентов в России работают на Leonardo, а компания SAP осваивает новую для себя роль – поставщика масштабируемой платформы для цифровых предприятий. Продажи другого флагманского решения SAP – системы S/4HANA — выросли за 2017 год в три раза, очередная версия была дополнена средствами машинного обучения и инструментами предиктивной аналитики. S/4HANA сейчас используют 7900 клиентов из более чем ста стран и 32 индустрий, а в России эта система развернута более чем в 80 компаниях.

В целом у SAP сегодня в России 1600 клиентов, из них 94 добавились в 2017 году. Доля предприятий малого и среднего бизнеса составляет 11%, а среди других показателей работы компании в России на форуме были озвучены следующие: доля на рынке корпоративных приложений – 49%, 76% – доля среди решений бизнес-аналитики и 8% — на рынке СУБД. Наиболее востребованы решения SAP на предприятиях металлургии, транспорта, финансов и добывающей отрасли, а в числе ключевых сделок прошлого года на форуме были отмечены сделки с такими компаниями, как КАМАЗ (создание интернет-магазина), ОМК (управление ремонтами), «Северсталь» (в частности, отслеживание средствами машинного обучения взрывоопасных предметов в металлоломе), Сбербанк (управление персоналом из более чем 200 тыс. сотрудников с помощью решения SAP SuccessFactors), «Норникель» (контроль маржинальности клиентов и поставщиков).

Форум прошел под девизом «Видеть больше». Однако, как отметил на пленарной сессии Багрин, мало только «видеть больше» – надо уметь понимать данные, распознавать главное, выявлять тенденции, чтобы вовремя принимать взвешенные решения, иначе, по образному выражению соведущего форума Ивана Урганта, такие форумы можно спутать со съездами офтальмологов. Данных всегда не хватает, качественных сведений мало, а для создания и эксплуатации «умных» решений требуются не только органы зрения.

Mail.Ru Cloud Solutions и компания Nvidia запустили сервис облачных вычислений на базе графических процессоров (GPU), сообщили в компании.

Доступ к ускоренным вычислениям будет открыт в облаке через серверы MCS. С помощью этой платформы пользователи смогут обрабатывать большие данные, работать с нейросетями и алгоритмами машинного обучения и выполнять другие задачи с высокой затратой вычислительной мощности.

Пользователи MCS смогут заказать нужный объем ресурсов с посекундной тарификацией. Изменять объем ресурсов можно в ходе работы над проектом.

Многоядерная архитектура процессоров Nvidia Tesla V100 позволяет, например, обучить нейросеть за несколько часов вместо нескольких недель, которые потребовались бы раньше. При этом пользователь оплачивает только использование сервиса в течение этих часов, а не покупку целого сервера.

Чтобы бесплатно протестировать сервис, нужно оставить заявку. Доступ к платформе будет выдаваться MCS в порядке живой очереди.

Компания Google представила набор простых в использовании инструментов, которые помогут разработчикам, не имеющим достаточного опыта построения приложений машинного обучения, заниматься внедрением моделей для определенных задач.

AutoML использует предварительно обученные модели машинного обучения и технологию Neural Architecture Search.

«Новые продукты являются частью нашей миссии, направленной на демократизацию искусственного интеллекта и снижение барьеров входа, на доступность искусственного интеллекта максимально возможному по своему охвату сообществу разработчиков, исследователей и коммерческих предприятий», – указали в блоге Google научный директор направления облачного искусственного интеллекта Фей-Фей Ли и глава подразделения исследований облачного искусственного интеллекта Джиа Ли.

Первым продуктом в пакете – доступным тем, кто направил заявку, получившую одобрение – станет AutoML Vision, предназначенный для создания клиентских моделей на базе технологии распознавания образов Google.

Перетащив изображения в окно программы, разработчики смогут помечать их, исходя из своих требований. После обучения модели на основе входных данных у пользователей появится возможность оценить и очистить ее.

Google предлагает также услуги собственных специалистов, которые на основе полученных от клиентов инструкций будут соответствующим образом классифицировать изображения.

Одним из первых пользователей этого продукта стала компания Urban Outfitters, занимающаяся продажей модной одежды. Она экспериментировала с автоматизацией сбора информации о восприятии покупателями различных нюансов своих товаров, в частности, образцов и стилей декольте. Компания Disney использовала технологию для построения моделей и создания аннотаций продуктов со своими персонажами.

Зоологическое общество Лондона применяло AutoML Vision для анализа и аннотаций фотографий животных, снятых в дикой природе.

«В настоящее время всего несколько предприятий имеют персонал и бюджеты, необходимые для того, чтобы полностью оценить преимущества машинного обучения и искусственного интеллекта, – указал Ли. – В мире пока насчитывается очень мало людей, способных создавать передовые модели машинного обучения. И даже если у компании имеются инженеры по машинному обучению и искусственному интеллекту, ей предстоит еще наладить управление сложными и трудоемкими процессами построения своих собственных моделей машинного обучения».

В прошлом году компания Google представила Cloud Machine Learning Engine API, а новый пакет должен помочь «сократить имеющийся разрыв» и сделать искусственный интеллект «доступным каждому предприятию».

Голосуя за машинное обучение

Облачные конкуренты Google также стараются «демократизировать» машинное обучение.

Предлагаемая Microsoft простая визуальная среда Azure Machine Learning Studio, запускаемая в среде браузера, поддерживает перетаскивание и не требует написания программного кода. В сентябре компания расширила свой набор инструментов искусственного интеллекта, но пока продукты по-прежнему находятся в стадии предварительной версии.

На прошедшей в ноябре конференции Re:Invent компания Amazon Web Services представила полностью управляемый сервис сквозного машинного обучения Sagemaker и видеокамеру DeepLens, поддерживающую модели глубинного обучения.

«Люди, выстраивающие модели, не хотят, чтобы машинное обучение было таким сложным, – подчеркнул генеральный директор AWS Энди Джасси. – Они не хотят, чтобы оно было таким загадочным. Не хотят иметь перед собой черный ящик. Им нужно, чтобы все делалось как можно проще. В мире еще просто нет такого большого числа практикующих специалистов по машинному обучению. Основная масса из них сосредоточена в крупных технологических компаниях. И если вы хотите, чтобы машинное обучение активно использовалось большинством предприятий, необходимо сделать так, чтобы соответствующие средства были доступны разработчикам и ученым, решающим повседневные задачи».

Как BIG превратить в SMART – этот вопрос в отношении больших данных стал ключевым в ходе выступлений, круглых столов и дискуссий VII Всероссийского форума BIG DATA 2018, организованного в конце марта издательством «Открытые системы». Около 400 его участников обменялись свежими идеями и опытом реализации проектов в области больших данных, аналитики, искусственного интеллекта и машинного обучения.

В целом участники соглашались, что роль информации и решений, получаемых на основе больших данных, в ближайшие годы будет стремительно расти. Вместе с тем, выступления и дискуссии форума выявили множество расхождений во взглядах не только на методы и инструменты работы с большими данными, но и на принципиально важные аспекты, лежащие в основе этих методов и подходов.

Татьяна Матвеева: «Мы можем строить интересную, разноплановую аналитику»

В частности, среди экспертов и аналитиков сейчас нет единого мнения о характере изменений в экономике и бизнесе и, как следствие, представления о том, как повысить эффективность использования больших данных. Так, Алексей Минин, директор Института прикладного анализа данных Deloitte СНГ, обратил внимание гостей форума на происходящее в последние годы расщепление экономики на цифровую и экспоненциальную и, вероятно, их параллельное сосуществование в обозримой перспективе. С его точки зрения, цифровая экономика охватывает все то, что может быть подвержено дематериализации, то есть оцифровано, и оперирует виртуальными товарами – не только цифровыми сервисами, но и образами материального мира. По сути, это экономика глобальных и региональных электронных торговых площадок (маркетплейсов).

В свою очередь, экспоненциальная экономика, согласно представлениям Deloitte, охватывает материальные объекты физического мира и прекрасно уживается на уровне экономик отдельных стран. Использование в ней новейших технологий (искусственного интеллекта, блокчейна и других) способно обеспечить экспоненциальный рост капитализации компаний за счет появления новых бизнес-моделей, повышения эффективности работы в рамках прежних, создания новых товаров и услуг и пр. При этом основными сдерживающими факторами конкуренции становятся не пространство и время, а риск и скорость. В этих условиях растет неуверенность руководителей при принятии решений, и как следствие, увеличивается спрос на анализ больших данных, в первую очередь о клиентах. Соответственно, растет ценность таких данных.

Игорь Агамирзян, вице-президент НИУ «Высшая школа экономики», уверен: физическая и цифровая экономика нераздельны, а потому их нельзя рассматривать по отдельности (читайте также интервью с ним). Наибольшее развитие цифровая экономика получает там, где цифровая среда начинает определять поведение физической среды, а потому надо особенно пристальное внимание обратить на киберфизические системы (по сути, системы Интернета вещей), которые генерируют большие объемы и потоки данных (в том числе телеметрических) в реальном времени – именно они в скором времени будут иметь наибольшую ценность.

«Маркетплейсы — ничтожно малая часть цифровой экономики. Большая ее часть — это киберфизические системы», — отметил Агамирзян.

Он обратил внимание на любопытную деталь: из всего объема телеметрии, полученной в ходе освоения космического пространства, люди успели «посмотреть» менее 1%, и вряд ли уже когда-нибудь «посмотрят». Отсюда вывод: необходимо научиться «на лету» выявлять фрагменты данных («кадры»), в которых отражена некоторая полезная информация, и затем обрабатывать только их, а остальные данные отбрасывать. Правда, сделать это непросто: как правило, датчики фиксируют не первичные параметры значимых событий, а их косвенные признаки, поэтому надо уметь определять события по косвенным признакам, выявляя сложные взаимосвязи между ними в реальном времени, причем, скорее всего, не в дата-центрах, а вблизи объектов управления – на краю сетей (edge computing), чтобы минимизировать задержку между сигналами от датчиков и управляющими воздействиями на объекты.

Все больше пользы от больших данных

Алексей Минин: «Инновации, как правило, начинаются с хайпа»

Пока эксперты и аналитики спорят, проекты в области больших данных набирают обороты. Обладателем одного из самых больших активов финансовых данных является ФНС России. По словам Татьяны Матвеевой, начальника управления информационных технологий ФНС, новые технологии не только бросают вызов, но и открывают перед налоговыми органами новые возможности. Кроме того, в ФНС считают необходимым не оставаться в стороне от ключевых технологических тенденций, стараясь найти в них пользу для налоговых органов. В частности, большое внимание уделяется повышению качества данных, а одним из ключевых условий этого в ФНС считают электронный документооборот.

Матвеева представила некоторые результаты использования больших данных в ФНС: российским налоговикам удалось более чем в 10 раз сократить разрывы по НДС, минимизировав тем самым мошенничество в этой сфере; легальный ввод меховых изделий в оборот увеличился в 1,7 раза, при этом оборот этих изделий вырос в 7 раз, а количество участников рынка – в 3,5 раза. С переходом на онлайн-кассы все больше данных обрабатывается в реальном времени: в настоящий момент с 1,7 млн онлайн-касс ежедневно приходит 120 млн чеков. И все больше возможностей появляется для быстрого выявления мошеннических операций и реагирования на них, на дожидаясь проверок.

«Мы стремимся создать комфортную среду для всех участников налогового взаимодействия, которая обеспечит доверие налогоплательщиков к госорганам», — подчеркнула Матвеева.

Задачи с использованием больших данных на производстве решают Новолипецкий металлургический комбинат, СИБУР и группа компаний «Русагро». Так, по словам Анджея Аршавского, директора центра анализа данных и матмоделирования НЛМК, в холдинге выстраивается конвейер по реализации проектов больших данных и искусственного интеллекта, начиная от идеи и постановки задачи и заканчивая созданием систем, реально работающих в масштабе предприятия. В числе примеров задач, решаемых подобным образом, — оптимизация электродуговой печи, используемой для плавки металлолома, оптимизация расхода газов по котлам на принадлежащей холдингу ТЭЦ в Липецке, прогнозирование ремонтов фурм в металлургических печах, позволяющее избежать их внеплановых простоев.

«Мы выбираем для реализации в первую очередь те проекты, для которых есть данные и при этом не требуются очень замысловатые методы решения вроде машинного обучения», — отметил Аршавский.

Также он обратил внимание на большой разрыв в ресурсоемкости проектов в больших данных на производстве: промышленная реализация требует на порядки больше ресурсов, чем пилотные проекты.

Игорь Агамирзян: «Маркетплейсы — ничтожно малая часть цифровой экономики. Большая ее часть — это киберфизические системы»

Как рассказал Владимир Чернаткин, куратор проектов больших данных и Интернета вещей в СИБУРе, на химических предприятиях его компании решаются как оптимизационные задачи, позволяющие снизить перерасход катализаторов и минимизировать внеплановые остановки оборудования, так и задачи по управлению качеством, позволяющие повысить производительность линий по производству пленки из полипропиленовых гранул. С деталями проекта по оптимизации расхода катализаторов при синтезе окиси этилена в СИБУРе познакомила Ольга Плосская, руководитель проектов отдела анализа данных компании Visiology. Особенностями процесса являются регулярная смена нагрузки, недостаточные возможности для измерений, а также непостоянство точки оптимума, которая имеет свойство со временем смещаться. Применение технологий машинного обучения позволило добиться улучшений на 0,1%. В перспективе предполагается повысить этот показатель в два раза.

По словам Тани Милек, менеджера по методологии и унификации «Русагро», в ее компании производственные данные стекаются из самых разных источников: от датчиков и систем Интернета вещей, дронов, обрабатываются и снимки из космоса, при этом основное внимание уделяется интерпретации данных и прогнозированию на их основе. В числе задач, в которых использование больших данных себя окупит, Милек назвала мониторинг сельскохозяйственных посевов, темпов уборки урожая, выявление закономерностей между количеством внесенных удобрений и развитием посевов, а также оптимизацию использования техники на полях. Также актуальны разработка рекомендаций для агрономов на основе данных дронов и прогнозирование вегетации зерновых на базе геоданных и показателей датчиков, развитие биотехнологий в животноводстве, соблюдение требований по защите окружающей среды и, кроме того, мониторинг и прогноз всего, что касается роста животных, их лечения, кормления и подбора кормов.

Владимир Соловьев, руководитель департамента анализа данных, принятия решений и финансовых технологий Финансового университета при Правительстве РФ, обнаружил множество больших данных, взяв курс на создание «умного» университета. Например, мониторинг в реальном времени расположенных в помещениях датчиков помогает обеспечить комфортные условия освещенности, температуры и влажности, а заодно оптимизировать расходы ресурсов на их поддержание. Однако самые интересные на сегодняшний день эксперименты проводятся в аудиториях, где идут практические занятия: видеопотоки с видеокамер отправляются в облако Microsoft, где с помощью сервисов Azure IoT Hub и Stream Analytics проводится распознавание лиц студентов и определяется их эмоциональное состояние. Результатами анализа становятся оценки их вовлеченности в учебный процесс, при этом правдоподобность оценок сейчас составляет около 80%. Оценки позволяют отследить динамику вовлеченности по различным срезам: образовательным программам, преподавателям, группам и отдельным студентам – эта информация обеспечивает обширные возможности для принятия решений по улучшению учебного процесса.

Платформы и методики

Евгений Степанов: «Высокая производительность современной аналитической платформы достигается благодаря поколоночному хранению данных»

Естественно, успешная реализация проектов на основе больших данных едва ли возможна без использования развитых платформ – этому направлению на форуме также уделялось много внимания. Так, Никита Успенский, руководитель направления Big Data компании Oracle в России, настоятельно рекомендовал решать задачи больших данных с применением специально разработанных для этих целей программно-аппаратных комплексов. Анна Румянцева, исследователь данных (точнее, Data Scientist) компании Hitachi Vantara, обратила внимание на универсальность платформы Pentaho, пригодной для решения широкого круга задач – от интеграционных и до прикладных и связанных с получением отчетности. Евгений Степанов, руководитель направления Big Data в России компании Micro Focus, обратил особое внимание на высокую производительность аналитической платформы Vertica, достигаемой благодаря поколоночному хранению данных. Сергей Золотарев, управляющий партнер компании Arenadata, представил созданную на основе систем с открытым кодом корпоративную платформу данных Arenadata Unified Data Platform, включающую продукты-модули для работы с Hadoop, аналитическую СУБД с обработкой данных в оперативной памяти, распределенную СУБД, использующую массивно-параллельные вычисления, и систему для централизованного управления и координации работы всех перечисленных компонентов. Игорь Катков, директор по партнерам и развитию бизнеса компании Pure Storage в России, СНГ и странах Балтии, рассказал о возможностях аналитической обработки больших данных, которые предоставляет построенная на базе флеш-накопителей платформа хранения FlashBlade, сочетающая высокую производительность, масштабируемость и надежность с умеренной совокупной стоимостью владения.

Важное место в ходе форума занимали выступления и дискуссии, имевшие методологическую направленность. Так, Виталий Чугунов, руководитель отдела специального ПО компании «ЕС-лизинг», отметил три ключевых вопроса, которые необходимо решать в ходе цифровой трансформации: круг потребителей цифровых преобразований (кому они предназначаются), как обеспечить управление трансформационными процессами и заодно всем комплексом цифровых, в том числе аналитических технологий, которые создаются в ходе подобных проектов; и наконец, нужно решить широкий круг вопросов, связанных с данными.

Александр Азаров, старший вице-президент по разработке ПО компании WaveAccess, представил общую «дорожную карту» выполнения проектов по машинному обучению. Согласно его рекомендациям, на первом этапе следует максимально уточнить бизнес-задачу, которую планируется решить, определить спектр данных и источников, которые для этого потребуются, а также провести сбор и проверку данных. Вторым этапом должна стать разработка прототипа – для этого, в частности, понадобится выбрать алгоритм решения задачи и инструментарий для его реализации. На третьем этапе следует определить модель окупаемости, а заодно оценить, во что обойдутся ошибочно выявленные ситуации. Наконец, на четвертом нужно сосредоточиться на разработке решения, при этом особое внимание обратить на производительность, заранее определив, какие вычислительные мощности и в каком количестве понадобятся. Также заранее надо обсудить способы интеграции других систем с создаваемой системой машинного обучения.

Александр Тарасов: «Ответственность за корпоративное управление данными в целом должна лежать на директоре по данным»

Александр Тарасов, управляющий партнер компании DIS Group, призвал всех взглянуть на данные как на актив, способный приносить прибыль. Но чтобы этого добиться, им необходимо управлять, причем не только на уровне технологических комплексов, но и бизнес-процессов, регламентов и пр. Это необходимо, поскольку цифровые преобразования несут с собой не только новые технологии, но и новые бизнес-модели, роли, процессы, организационные структуры. Корпоративное управление данными призвано решить множество проблем, связанных с ними, в том числе низкого качества данных, отсутствия единой записи информации о клиентах, активах и пр., непрозрачности данных в отчетах, сложной интеграции данных, отсутствия ответственности за ввод данных и пр. Ответственность за корпоративное управление данными в целом должна лежать на директоре по данным (Chief Data Officer) – этот руководитель призван координировать все, что касается стратегии данных, связанных с ними операционных процессов и технологий.

Обсуждение функций и роли директора по данным продолжилось в ходе пленарной дискуссии «Chief Data Officer – в авангарде цифровой трансформации?», модератором которой выступил Сергей Золотарев из компании Arenadata. Насущные вопросы розничной и интернет-торговли обсудили участники круглого стола «Цифровизация ретейла», который координировал Евгений Степанов из компании Micro Focus. Разработчиков и архитекторов объединила дискуссия «DataOps – Agile-подходы к работе с данными», которую провел Андрей Николаенко, системный архитектор компании IBS. Кроме того, Анна Румянцева из Hitachi Vantara в ходе мастер-класса представила свои рекомендации по внедрению машинного обучения в бизнес.