Непараллельная реальность

О классификации методов искусственного интеллекта

Как известно, методы искусственного интеллекта сейчас усиленно продвигаются в бизнес. Но при всём обилии рассуждений на эту тему разговор либо ограничивается декларативными заявлениями, либо, опускаясь до уровня подробностей, мы начинаем классифицировать богатый арсенал методов искусственного интеллекта с технической точки зрения. То есть разделяем методы регрессии и классификации, выделяем так называемые поддерживающие или глубокие методы обучения, отделяем линейные алгоритмы от нелинейных. В основе такого деления, хотим мы того или нет, лежит либо «чистая» математика (с теоремами и доказательствами), либо прикладная — реализующая те или иные алгоритмы в виде программного кода. Приводимые примеры решения бизнес-задач служат для менеджмента компаний в лучшем случае справочной информацией. Истинный смысл этих ассоциаций понятен только хорошо разбирающимся в теме машинного обучения специалистам. Таким образом, совершенно универсальная для любых методов корпоративной автоматизации связка «инструменты ИТ — результат для бизнеса» практически не прослеживается.

При этом существуют и иные, пусть не такие известные и признанные, подходы к классификации методов машинного обучения (как правило, полностью опускающие технические детали). Эти методы способны дать более ясное понимание целого ряда важных для бизнес-руководителей проблем. Один из таких подходов предполагает разделение методов искусственного интеллекта по потенциальной сфере применения.

1. В первую категорию попадает так называемый «узконаправленный» искусственный интеллект (narrow AI), связанный с решением одной узкой задачи.
2. Вторую составляет так называемый «сильный» искусственный интеллект (strong AI), способный принимать полноценные бизнес-решения, за которые ранее был ответственен только человек.
3. И, наконец, к третьему классу относят суперинтеллект (superintelligence), когда интеллектуальные возможности машины по принятию решений на порядок превосходят человеческий потенциал. Такой метод во многом ещё остаётся горячей темой фантастических фильмов о завоевании мира роботами. Сейчас подобные методы можно не рассматривать, но для полноты картины в классификации они всё равно должны присутствовать.

Искусственный интеллект и параллельная автоматизация

Какой искусственный интеллект мы имеем сейчас? Зарубежные специалисты утверждают, что на рынке пока доминируют решения «узконаправленного» искусственного интеллекта. Если присмотреться к сообщениям в российской прессе и докладам на различных отечественных конференциях, то в целом можно прийти к тому же выводу. В большинстве своём они основаны на распознавании различных объектов (людей, их лиц, автомобилей, различной продукции и проч.). Их применение, как известно, определяется фиксацией различных сценариев: сотрудник зашёл в запрещённую зону, совершил некорректное действие, через конвейер прошло определённое количество деталей, выражение лиц посетителей конференции не демонстрирует интереса аудитории к теме и т. д. После распознавания либо совершается элементарная операция, которую вряд ли можно отнести к бизнес-решению (открывается заслонка, включается аварийная сирена, отключается оборудование), либо проблема эскалируется на уровень персонала, который и принимает решение.

Подобные системы искусственного интеллекта можно условно сопоставить с пресловутой лоскутной автоматизацией, которая, несмотря на свой отрицательный имидж в период становления ИТ-поддержки бизнеса, сыграла весьма позитивную роль. Преимущества таких решений очевидны. Во-первых, они относительно просты в реализации. Более того, многие из них уже имеют доказательную математическую базу и даже соответствующие ей алгоритмы, реализованные, как правило, в открытом программном коде. Часто эти алгоритмы лишь ждут своего часа, для того чтобы оказаться заточенными под узкоспециализированный продукт и тем самым конвертироваться в коммерческое решение, поддержанное маркетинговыми и рекламными ресурсами.

Во-вторых, понятно, что в такой ситуации требуется минимальная техническая и практически нулевая методическая поддержка. Однако, это одновременно и их преимущество, и недостаток. Недостаток кроется в том, что решения «узконаправленного» искусственного интеллекта формируют у корпоративного пользователя устойчивое ощущение «параллельной автоматизации». Иными словами, многим начинает казаться, что им предстоит осваивать какой-то совершенно новый тип ИТ-поддержки, основанный на иных принципах, никак не сочетающийся с имеющимся ИТ-ландшафтом и отрицающий привычную методическую базу внедрения и эксплуатации информационных систем. Этому, надо сказать, сильно способствуют и поставщики ИТ-решений, для которых во все времена было выгодно пропагандировать примерно следующий тезис: всё, чего вы достигли на сегодня — хорошо, но сейчас на смену идут совершенно новые продукты и технологии.

Искусственный интеллект и изменение практик менеджмента

С системами «сильного» искусственного интеллекта, способными самостоятельно принимать бизнес-решения, всё может сложиться несколько по-другому. Хорошо известно, что некие прототипы подобных внедрений, в основном в виде программных роботов, имитирующих ряд функций профильных специалистов (роботы-юристы, роботы-актуарии, роботы-архивариусы и т. д.), уже применяются. Но они всё ещё наследуют подходы пресловутой лоскутной автоматизации.

Когда же технологии искусственного интеллекта возьмут под своё крыло не только отдельные узкие задачи, но и ответственность за принятие некоторых решений, и сформируется хотя бы минимальный прототип комплексной системы искусственного интеллекта, то, как утверждают специалисты, многое может измениться. И прежде всего, позитивно повлиять на отношение менеджмента к таким системам как некой параллельной ветви автоматизации.

Когда применение искусственного интеллекта уже не локализовано в рамках одной-двух задач, становятся актуальными технологии Machine Learning Management, Machine Learning Serving, Machine Learning Logistics 1. Если повнимательнее присмотреться к западным публикациям на тему Artificial Intelligence и Machine Learning, то становится понятным, что именно с грядущим приходом комплексных внедрений «сильного» искусственного интеллекта формируются и новые подходы, вовсе не касающиеся ни математических, ни программных аспектов построения решений, а полностью концентрирующиеся на подходах и практиках менеджмента.

Среди довольно обширного спектра стоит, на мой взгляд, выделить следующие:

1. Как методически связать требования внутреннего бизнес-заказчика, с работой специалистов в области data science, архитекторов корпоративных данных или дата-инженеров?
2. С какими особенностями можно столкнуться при формировании заявки на использование искусственного интеллекта со стороны бизнес-подразделения? Как оформить эту заявку оптимальным образом и отслеживать её исполнение?
3. Как подготовить данные для решения одной задачи, чтобы они могли быть впоследствии использованы для решения других? Напомню, что подготовка данных (очистка, интеграция, нормализация, скейлинг) в машинном обучении иногда требует до 80% общих затрат на решение задачи, и таким образом вопрос имеет серьёзную экономическую основу.
4. Насколько эффективно осуществляется доступ к моделям и данным? В частности, можно ли задействовать режим мультиарендности (multitenancy) для достижения показателей масштабируемости? Какие инструменты контроля за производительностью решения целесообразно задействовать?
5. Как эффективно разделять тестовую и рабочую версию приложения искусственного интеллекта.

Другими словами, при переходе к полноценному промышленному использованию систем искусственного интеллекта мы неизбежно столкнёмся с целым рядом управленческих проблем. Они, безусловно, имеют существенную специфику, но базовые вопросы во многом взяты из того, с чем бизнесу приходилось сталкиваться ранее. Сама постановка проблем управления инцидентами, изменениями, проблемами заимствована из небезызвестных ITIL-процессов, есть более чем явные пересечения с концепцией управления производительностью приложений (Application Performance management, APM), с подходами к сайзингу оборудования под определённую задачу или с Data Governance.

В итоге специалисты стремятся успокоить бизнес. Как только применение систем искусственного интеллекта достигнет некоего критического масштаба, бизнес сразу почувствует, что развитие ИТ-поддержки пойдёт скорее естественным путём, без необходимости срочно переходить ко всему новому, даже наоборот — с максимальным учётом накопленных достижений.

Комментарии 0