Текст книги "Искусственный интеллект – для вашего бизнеса. Руководство по оценке и применению"

Идея объединить несколько техник искусственного интеллекта пригодилась и тогда, когда ИИ-система, называемая Libratus, совершенствовалась в игре в покер – до такой степени, что научилась побеждать даже опытных игроков-людей. Эта система использовала три различных типа искусственного интеллекта: первый проходил обучение с подкреплением, чтобы научиться игре в покер с нуля; вторая система, ориентированная на игровой результат, позволяла первой системе сконцентрироваться на ближайших ходах. А когда некоторые из игроков-людей смогли обнаружить закономерности в том, как машина делает ставки, то была добавлена третья система, которая мгновенно отыскивала слишком шаблонные действия и вводила в тактику игры компонент случайности, чтобы скрыть «намерения» своих коллег-роботов.

Искусственный интеллект может применяться с целью оптимизации во многих конкретных практических ситуациях с четко известными целями – например, чтобы выиграть покерную партию или провести переговоры в определенной области. Как упоминалось ранее, ИИ может обеспечить здесь эффективность, превосходящую возможности человека. Другие типичные варианты использования функций оптимизации – это планирование маршрутов транспорта, ротации рабочих смен (например, у медсестер) и разработка рекомендаций на научной основе.

Все подходы, описанные в этом разделе, являются лишь разрозненными и неполными примерами того, как искусственный интеллект может решать сложные проблемы, но они должны дать вам представление и об общих стратегиях использования этой функции ИИ. В основе оптимизации сложных процессов лежит идея о том, что большие проблемы могут быть разбиты на множество мелких и что решения каждой из них затем можно оптимизировать, используя метод проб и ошибок. Вооружившись этими знаниями, вы лучше будете знать, как применять ИИ для достижения определенных целей или для максимизации вашей прибыли.

Прогнозирование

Для прогнозирования используется один из базовых принципов работы искусственного интеллекта: анализ массовых данных, полученных в прошлом, их группировка, а затем сопоставление новой информации с созданной группировкой старых данных. Таким образом, функция прогнозирования, как правило, опирается на функцию кластеризации, описанную выше в текущей главе.

Я уже упоминал об одном из наиболее распространенных способов использования прогнозирования в бизнесе – рекомендации «связанных» онлайн-покупок («вы купили эту книгу, поэтому вам наверняка понравится еще вот такая книга»). В данном случае то, что продавец называет «рекомендацией», на самом деле является прогнозом, который делает компания, чтобы продать вам как можно больше товаров. Некоторые решения в бизнесе основаны на прогнозировании в буквальном понимании этого слова. Например, вы подаете заявку на кредит, и затем искусственный интеллект оценивает ее, пытаясь предсказать, сможете ли вы расплатиться по такому кредиту. Система будет сравнивать ваши личные данные (возраст, зарплата, регулярные расходы, другие кредиты и т. д.) с результатами кредитования других клиентов, которые имеют профиль, похожий на ваш. Если клиенты, похожие на вас, в прошлом, как правило, не выполняли должным образом свои кредитные обязательства, то вам, скорее всего, желаемого кредита не дадут.

Прогнозирование может также следовать за функцией поиска информации. Поскольку поиск способен эффективно обнаруживать в тексте шаблоны, он может и сопоставлять их с шаблонами, предварительно заданными системе пользователями. Например, резюме кандидата на определенную должность можно проанализировать на соответствие должностным инструкциям, чтобы предсказать, насколько он подходит для данной вакансии.

Функция прогнозирования отличается от функции оптимизации тем, что здесь не ставится конкретная цель, которой требуется достичь тем или иным (обычно – наилучшим) путем. Нет, соответственно, и никаких шагов, ведущих к назначенной цели: искусственный интеллект просто сопоставляет новую порцию информации с результатом группировки предыдущих данных.

На простейшем уровне прогнозы могут создаваться с использованием совсем небольшого числа параметров: так, в примере с продажей дома мы брали для составления прогноза элементарные количественные данные – количество спален в доме, размер участка и т. п. Если бы у вас была таблица с такими данными и фактическая цена дома для каждой записи в этой таблице, то вы могли бы использовать эту информацию, чтобы предсказать цену еще какого-нибудь дома, при условии, что у него те же самые параметры. И в принципе, вам необязательно нужен для этого искусственный интеллект, а может, даже и компьютер.

Но обычно цену дома определяет существенно большее число внутренних параметров, а также целый ряд внешних факторов. Требуется знать, сколько у него этажей, отдельная это постройка, смежная с другим домом или же дом стоит в длинном ряду других домов, имеются ли парковка, подсобные помещения, бассейн, на какой улице он расположен и т. д. Все это многообразие данных значительно затрудняет прогнозирование стоимости дома без использования искусственного интеллекта.

Понятно, что чем больше параметров мы учитываем, тем больше данных необходимо использовать для обучения искусственного интеллекта, чтобы можно было встроить в модель достаточно широкий диапазон значений каждого параметра. Хорошая модель будет учитывать также степень влияния, которое каждый параметр оказывает на цену дома. Анализируя характеристики каждого следующего дома, модель использует для предсказания его цены так называемый «регрессионный анализ», причем любое предсказание оценивается самой системой с точки зрения вероятности его корректности.

Когда анализируемые параметры исчисляются сотнями или тысячами, все становится еще сложнее в том смысле, что требуется больше различных алгоритмов, больше обучающих данных и больше вычислительной мощности. Одними из самых мощных в мире систем прогнозирования являются метеорологические – те самые, которые каждый день и час создают для нас прогнозы погоды (мы между тем давно перестали относиться к этому как к чуду технологий).

Важный аспект функции предсказания – ее полное «безразличие» к вводимым и анализируемым данным. Я подразумеваю под этим словом то, что искусственный интеллект только оперирует числами и не «понимает», что на самом деле они означают. Вместо параметров недвижимости ИИ может анализировать технические характеристики автомобилей, или погодные показатели, или же анкеты людей – все это для компьютера просто цифры.

Эта «незаинтересованность» компьютера может показаться большим преимуществом искусственного интеллекта, чуть ли не «добродетелью», однако она создает одну из самых больших проблем в области автоматизированного предсказания – так называемое «непреднамеренное смещение» (англ. unintended bias; лучшим вариантом перевода была бы «непреднамеренная предвзятость»). Обычно искусственный интеллект хвалят, потому что на него не влияют человеческие предрассудки, из-за которых наши суждения являются предвзятыми по своей природе (есть много исследований, которые показывают, что, хотя люди часто утверждают, что они совершенно объективны в своих оценках, скажем, при наборе персонала, все равно в их суждениях присутствует неосознанная предвзятость, которую можно выявить экспериментально). Однако беспристрастность искусственного интеллекта проявляется лишь в той степени, в которой объективны данные, используемые для обучения системы. Иначе говоря, если в обучающем наборе содержатся резюме кандидатов и решения о найме, то предубеждения людей, повлиявшие на выбор кандидатов, унаследуются компьютерным алгоритмом: он никак не сможет сделать их более объективными.

Еще один принципиальный, «врожденный» недостаток предсказаний, делаемых искусственным интеллектом, – это их непрозрачность в той части, которая касается процесса принятия решений. Когда искусственный интеллект делает прогноз, например, о том, что человек не сможет погасить задолженность по будущему кредиту и, следовательно, его заявку следует отклонить, это решение будет основано на всех без исключения данных, по которым систему заранее обучили. Обучающие данные использовались машиной для построения алгоритмической модели, которая затем используется для прогнозирования новых случаев. Для сложных алгоритмических моделей это просто матрица чисел, которая не имеет видимого смысла для человека, пытающегося ее прочесть, и следовательно, причину (или, более вероятно, несколько различных причин), по которой человеку отказали в кредите, нелегко будет определить явным образом. (Заметим, что более простые алгоритмические модели, такие как регрессии или «классификационные кладограммы», обеспечивают некоторую прозрачность и поэтому в ряде случаев более популярны.) Конечно, нам вовсе не обязательно вдаваться в подробности каждого сделанного прогноза. Теоретически было бы интересно понять, например, почему предсказанная цена дома оказалась именно такой, а не другой, но больше всего, конечно, нас беспокоит сама цена. Однако в некоторых отраслях бизнеса и промышленности, особенно там, где необходимо государственное регулирование, большая прозрачность является обязательным требованием. Кроме того, если вам отказали в кредите, вы вполне обоснованно захотите знать, почему именно.

Искусственный интеллект используется в наши дни для прогнозирования многих вещей, включая даже, например, «профиль риска» ответчика в некоторых судах США. Если последствия этих предсказаний могут повлиять на признание того или иного человека виновным или невиновным, проблемы прозрачности прогнозирования приобретают крайне серьезный характер. Как утверждает первый закон Мелвина Кранцберга о технологии, технология не является ни хорошей, ни плохой, и тем не менее она не нейтральна. Эти проблемы алгоритмической непрозрачности, кажущейся непредвзятости и реально существующего непреднамеренного предубеждения искусственного интеллекта будут более подробно обсуждаться в главе 8.

Прогнозирующая функция искусственного интеллекта – одна из самых активно разрабатываемых и используемых в современности. Там, где данных много и они достаточно надежны, – можно делать прогнозы. Это необязательно означает, что делать прогнозы необходимо всегда или что они непременно окажутся полезными, однако существует множество ситуаций, где они действительно играют большую роль. В бизнесе это прогнозирование доходности, оттока клиентов, требований по профилактическому обслуживанию, спроса на продукцию и многое другое, на что распылять человеческие ресурсы при наличии искусственного интеллекта было бы нерационально.

Понимание

Я включил в эту книгу раздел о функции понимания искусственного интеллекта только как попытку описать то, что в настоящее время недоступно нигде за пределами исследовательских лабораторий. По большей части я рассматриваю сказанное ниже как противодействие шумихе, поднятой вокруг искусственного интеллекта, которую руководители, заинтересованные в модернизации своего бизнеса, могут принять всерьез. Под «пониманием» я обычно имею в виду способность машины осознавать, что она делает или думает, или, по крайней мере, действовать так, словно она это осознает (см. следующий абзац). Подразумевается, что столь совершенный искусственный интеллект действительно понимает намерения и мотивы людей, а не просто перерабатывает цифры в соответствии с алгоритмами. Обычно способность к пониманию рассматривают как свойство универсального искусственного интеллекта, который в состоянии имитировать все возможности человеческого мозга, а не только выполнять узкоспециализированные задачи, обсуждавшиеся до сих пор.

В описании универсального искусственного интеллекта есть интересная тонкость. Философ Джон Сёрл (John Searle) различал «сильный ИИ» и «слабый ИИ». Система «сильного» искусственного интеллекта может мыслить и иметь разум, тогда как слабая система может лишь действовать так, словно она думает и имеет разум. Первый вариант предполагает, что в машине есть что-то «особенное», выходящее за рамки возможностей, которые мы можем проверить. Футуролог Рэй Курцвейл использует несколько иной подход: он описывает сильный искусственный интеллект как компьютер, который действует, будто бы обладая разумом, независимо от того, действительно ли разум у него есть. Для наших целей мы будем придерживаться этого, последнего, определения, поскольку имеем дело с практическими вопросами, а не с философскими тонкостями.

Итак, какие тесты мы бы могли использовать, чтобы проверить наличие у искусственной системы «сильного» интеллекта? Я уже упоминал в этой связи тест Тьюринга, хотя его возможности, вероятно, ограничены. Вот другие тесты, которые предложили различные авторы.

● Тест на приготовление кофе (автор – Стив Возняк). Роботу дают задание войти в обычный дом и выяснить, как приготовить кофе. Он должен найти кофемашину, отыскать банку с кофе, добавить воду в емкость, найти кружку и варить кофе, нажимая на соответствующие кнопки.

● Тест студента роботколледжа (автор – Бен Герцель). Машине дают задачу поступить в университет, пройти те же предметы, сдать те же экзамены, что и люди, и в конечном итоге получить степень.

● Тест на трудоустройство (автор – Нильс Нильссон). На машину возлагается задача выполнить важную работу в действующей компании, и ИИ должен выполнять то же, что и люди, – не хуже и не лучше, чем они.

Современный искусственный интеллект даже близко не стоит к тому, чтобы успешно пройти хоть один из этих тестов. Столь же далеки от успеха и любые системы, являющиеся комбинацией различных типов нынешнего ИИ. Как я уже рассказывал в предыдущих разделах этой главы, у искусственного интеллекта есть множество различных функций, но каждая из них узкоспециализированна. Это означает, например, что функция ИИ, используемая для распознавания изображений, будет бесполезна при обработке языка. В этом, как вы помните, – вся суть концепции узкоспециализированного искусственного интеллекта. Даже в описанных мною группах сходных функций практически отсутствует перекрестное взаимодействие между конкретными видами использования: если у меня есть система, которая извлекает данные из счетов-фактур, она не сможет сделать то же самое для уведомлений о денежных переводах (если только не обучить ее заново с нуля). То же самое произошло бы, если бы я взял систему для обработки счетов-фактур, обученную на одном предприятии, и захотел перенести ее в другое: между предприятиями может быть достаточно различий, чтобы машине потребовалась переподготовка.

Наш мозг намного «умнее» в том, что он может использовать всевозможные когнитивные подходы и техники в самых различных ситуациях и, что важно, извлекать уроки из одной ситуации и применять их в совершенно другой. Например, я могу знать, что стоимость дома, как правило, возрастает с увеличением числа спален, и затем я могу применить ту же концепцию к другим объектам: так, компьютеры с большей емкостью жесткого диска стоят дороже. И я легко смогу понять, что данное правило необязательно подходит ко всему на свете: трехколесные велосипеды чаще всего дешевле двухколесных. Искусственный интеллект, каким мы его видим сегодня, на такие повороты в мышлении не способен.

Естественно, люди мечтают о конструировании «настоящего» искусственного интеллекта и уже создали под эту задачу специальные проекты. Существует, например, проект национального масштаба в Швейцарии, названный «Голубой мозг» (Blue Brain), который направлен на создание цифровой реконструкции интеллекта с помощью «обратной инженерии» нейронных цепей в мозге млекопитающих. В Соединенных Штатах запущен проект BRAIN, тоже направленный на моделирование реального мозга. На переднем крае исследований находятся такие организации, как OpenCog (исследовательская платформа для создания универсального цифрового интеллекта с открытым исходным кодом), Центр теоретической нейронауки в Редвуде (Redwood Center for Theoretical Neuroscience) и Научно-исследовательский институт машинного интеллекта (Machine Intelligence Research Institute).

Достигнут некоторый прогресс в том, чтобы заставить нейронные сети «запоминать» то, чему их ранее учили. Это означает, что теоретически они могли бы использовать уроки из одной задачи и применять их в другой. Человеку такая задача может показаться очень простым делом, однако нейронные сети катастрофически «забывают» свои старые навыки: когда в них вводятся новые задачи и система адаптируется к ним, система теряет знания, которые приобрела ранее (перезаписывает память). Британская компания DeepMind, принадлежащая Google, разрабатывает подход, называемый Elastic Weight Consolidation («гибкое объединение статистических весов»), который позволяет алгоритму учиться заново, сохраняя при этом часть знаний, полученных при изучении предыдущей задачи. В качестве тестовых заданий используются различные компьютерные игры Atari. Это многообещающее исследование, но пока оно еще очень далеко от реальных результатов.

Несмотря на исследования и даже первые практические шаги, предпринятые для того, чтобы повысить способность компьютера понимать, что он вообще делает, до цели еще очень далеко, и многие специалисты утверждают, что достичь ее невозможно в принципе. Даже используя в качестве цели определение Сёрла для слабого искусственного интеллекта, мы все равно сталкиваемся с непреодолимыми пока препятствиями. Некоторые из них носят технический характер (например, проблема катастрофического забывания), другие связаны с недостатком вычислительных мощностей. Однако эта книга все-таки не об этом, а о узкоспециализированном искусственном интеллекте, где уже достигнуты огромные успехи, приносящие реальную пользу бизнесу и всем людям. Наиболее известные формы применения ИИ просто делают нашу жизнь комфортнее, некоторые же функции заменили людей в выполнении конкретных задач, намного превзойдя человеческую способность к обработке массовых данных. Понимая каждую из этих функций (и, разумеется, присущие ей ограничения), мы можем эффективно использовать технологии искусственного интеллекта уже сегодня, в будущем же сфера их применения только расширится.

Использование функций искусственного интеллекта

Структура возможностей ИИ – это моя попытка внести некоторую ясность и порядок в разнообразную, сложную и часто запутанную область функций машинного интеллекта. Разложив по полочкам различные функции ИИ, мы надеемся сделать технологию более понятной и доступной для тех, кто хочет извлечь из нее практическую пользу.

Я постарался максимально разграничить функции компьютерного интеллекта, но между ними неизбежно существуют некоторые пересечения, например между распознаванием речи и пониманием естественного языка, между кластеризацией и прогнозированием. Теоретические различия между ними размыты еще сильнее: некоторые эксперты описывают распознавание речи и понимание естественного языка как две подкатегории функции обработки естественного языка, но я думаю, что на деле они лучше воспринимаются как две различные возможности. Некоторые исследователи разделяют планирование и оптимизацию, я же думаю, что они достаточно близки друг к другу, чтобы сохранить их как одну функцию для практического рассмотрения. Поэтому не следует чрезмерно заострять внимание на некоторых нюансах: искусственный интеллект – сложная тема, где существует множество различных мнений и точек зрения, а кроме того, она постоянно меняется. Рассматривайте мою классификацию как практическое руководство, а не как техническую спецификацию (рис. 3.3).

Итак, знания, которыми вы теперь обладаете, должны позволить вам сделать следующие три вещи.

1. Определить возможности искусственного интеллекта, подходящие для вашего бизнеса. Каковы ваши коммерческие цели и может ли искусственный интеллект помочь в их достижении, хотя бы частично? Хотите ли вы только получать («захватывать») информацию или же вам нужен ее анализ/понимание – либо и то, и другое? Желаете ли вы заменить уже существующие функции (компьютерные или человеческие) искусственным интеллектом или хотите только расширить их возможности, применяя ИИ? Какие конкретные функции вам понадобятся для принятия решения? Потребуется ли вам контролируемое обучение алгоритмов и какие это алгоритмы?

2. Перестать смотреть на искусственный интеллект через призму поднятой вокруг него шумихи. Какие возможности и функции ИИ-приложений поставщики предлагают не в рекламе, а на самом деле? Отвечают ли эти возможности вашим требованиям? Насколько реалистичны заявления о продаваемых разработках? Есть ли пробелы в работе этих систем, которые придется восполнять другими решениями, основанными на искусственном интеллекте или более традиционных технологиях? Получится ли совместить все это настолько легко, как утверждают поставщики?

3. Стать реалистом. Какие ограничения имеют те функции искусственного интеллекта, которые вам нужны? Является ли именно искусственный интеллект наиболее подходящим решением – или есть более простые и эффективные? Имеются ли необходимые данные для адекватной подготовки системы? Придется ли вам привлекать сторонние ресурсы и в каком объеме?

В главе 5 я приведу реальные примеры технических решений, основанных на различных функциях искусственного интеллекта и применяемых в современных компаниях. Они, как правило, ориентированы на общие стратегические цели (повышение качества обслуживания клиентов, оптимизация управления, создание инноваций) и объединяют в себе различные возможности ИИ. В каждом из примеров мы объясним, какие именно возможности задействованы и, при необходимости, с какими проблемами и ограничениями сталкивались те, кто внедрял у себя эти технологии.

Некоторые из обсуждаемых ниже решений потребовали применения дополнительных технологий (таких как облачные вычисления и RPA), чтобы система могла функционировать в полную силу. В следующей главе рассказывается о том, какие именно технологии могут работать в связке с искусственным интеллектом и почему они так хорошо подходят для этого.