Текст книги "Человек + машина"

Чтобы ответить на эти вопросы, давайте начнем со знакомого процесса: классификация и рассмотрение жалоб и претензий. Ранее значительный объем работы по сортировке клиентских жалоб приходилось выполнять вручную; такой труд настолько однообразен и утомителен, что человек просто не мог получать удовольствие от того, что делал. Так, в британской железнодорожной компании Virgin Trains команда менеджеров по работе с рекламациями занималась ознакомлением, сортировкой и распределением обращений. Такая однообразная работа утомляла сильнее любой другой, больше, чем непосредственное общение с клиентами.

Процесс «ознакомление – сортировка – распределение» четко прописан и потому отлично подходит для автоматизации. Из-за того что информация поступает в текстовом формате и является «неструктурированной» с точки зрения прикладных программ, не столь продвинутая система может столкнуться с трудностями при обработке данных. И вот тут на помощь приходит искусственный интеллект. Virgin Trains уже создала платформу машинного обучения inSTREAM с возможностью обработки естественного языка, которая способна выявлять закономерности в неструктурированных данных, анализируя корпус схожих примеров – в данном случае жалоб – и отслеживая, как менеджеры по работе с клиентами обращаются с поступающими к ним запросами.

Теперь, как только в Virgin Trains приходит жалоба, она автоматически распознается, сортируется и «трансформируется» в файл, который сотрудник может быстро просмотреть и обработать. На самые распространенные жалобы поступают автоматические ответы. Если программа «не уверена» в оценке жалобы, она помечает случай как исключительный и переадресует на рассмотрение работнику-человеку; фактически своим откликом сотрудник обновляет модель данных, имеющуюся в программе. Со временем такая обратная связь повышает надежность алгоритма. Система может обрабатывать как лаконичные, так и пространные жалобы, типичные или специфические, написанные по-английски или на других языках.

Благодаря этой новой технологии отделу по работе с рекламациями Virgin Trains удалось сократить ручную работу на 85 %. На 20 % также увеличился объем обрабатываемой корреспонденции, поскольку новые возможности позволили компании более активно взаимодействовать с клиентами. Ранее жалобы принимались только через сайт. Теперь можно обрабатывать обращения любого типа – по электронной почте, факсу, обычной почте или в социальных сетях[32]32
  Из интервью Эндрю Андерсона, CEO Celaton, авторам книги, 29 сентября 2016 года.


[Закрыть]. (Virgin Trains – одна из многих компаний, оснастивших бэк-офис возможностями искусственного интеллекта. Дополнительные примеры приведены во врезке «Искусственный интеллект в бизнес-процессах».)

Искусственный интеллект в бизнес-процессах

В любой компании, структурном подразделении и отделе кипит невидимая постороннему глазу работа. Внедряя искусственный интеллект, компания может частично освободить сотрудников от бремени монотонных, никому не заметных задач, чтобы те могли заняться более важными вещами.

• В Goldman Sachs искусственный интеллект изучает до миллиона разных аналитических отчетов, определяя основные факторы, влияющие на цены акций[33]33
  Nathaniel Popper, “The Robots Are Coming for Wall Street”, New York Times, February 25, 2016, https://www.nytimes.com/2016/02/28/magazine/the-robots-are-coming-for-wall-street.html.


[Закрыть].

• В Woodside Petroleum используется платформа Watson от IBM, позволяющая обмениваться в масштабах всей компании информацией, полученной HR-отделом, юристами и отделом геологоразведочных работ[34]34
  Daniel Russo, “Hiring Heroes: How Woodside Energy Works with IBM Watson”, IBM Watson blog, September 11, 2017, https://www.ibm.com/blogs/watson/2017/09/hiring-heroes-woodside-energy-works-ibm-watson/.


[Закрыть].

• В Huffington Post наряду с сотрудниками-модераторами работает искусственный интеллект, помечающий недопустимые комментарии, спам и оскорбительные выражения[35]35
  Mike Masnick, “HuffPost Moderates Comments to Please Advertisers [Updated: Or Not]”, Tech Dirt, October 30, 2012, https://www.techdirt.com/articles/20121022/12562620788/huffpost-moderates-comments-to-please-advertisers.shtml.


[Закрыть].

• Университет штата Аризона использует искусственный интеллект для предоставления адаптированных курсов и функций тьютора на вводных учебных программах[36]36
  Seth Fletcher, “How Big Data Is Taking Teachers Out of the Lecturing Business”, Scientific American, August 1, 2013, https://www.scientificamerican.com/article/how-big-data-taking-teachers-out-lecturing-business.


[Закрыть].

Система Virgin Trains – относительно продвинутое решение для автоматизации бэк-офиса, поскольку оно позволяет анализировать неструктурированные данные и адаптироваться к ним, а также справляется с массовым наплывом данных. Подобные приложения представляют собой так называемую роботизированную автоматизацию процессов (RPA). Проще говоря, RPA – это программа, которая выполняет функции виртуального офиса, беря на себя в первую очередь управляющие повторяющиеся операционные рабочие процессы. Иными словами, она автоматизирует имеющиеся процессы. Но для переосмысления процессов компаниям потребуются более совершенные технологии – то есть искусственный интеллект (см. врезку «Технологии и искусственный интеллект: как это сочетается?» в конце этой главы).

Сейчас мы говорим о системах, использующих такие возможности искусственного интеллекта, как компьютерное зрение или инструменты машинного обучения для анализа неструктурированной или сложной информации. Система может «читать» счета, контракты, заявки на приобретение тех или иных продуктов и услуг. Она может обрабатывать эти документы независимо от формата – и разносить верные значения в формы и базы данных. Существуют и еще более продвинутые системы, где применяются тончайшие алгоритмы машинного обучения: с их помощью компьютер может не только выполнять те задачи, на которые он был заранее запрограммирован, но и оценивать задачи и процессы, а также корректировать их при необходимости. Компьютер может учиться, наблюдая, «заглядывая через плечо» сотруднику-человеку, и со временем работать все эффективнее. Иными словами, это именно та технология, которая обеспечивает третью волну совершенствования бизнес-процессов – внедрение адаптируемых процессов (о ней мы говорили во введении). Такие приложения обладают более высоким преобразующим потенциалом и обычно требуют активного участия человека, применяющего неявное знание или опыт, который сложно описать или смоделировать. Представьте рассмотренную выше глобальную банковскую систему противодействия отмыванию денег. Обрабатывается сложная финансовая транзакция; автоматизированная система помечает ее как подозрительную, после чего она поступает на рассмотрение человеку-эксперту, и тот решает, требуется ли дополнительная проверка. Такие взаимодействия человека и машины типичны для бизнес-трансформации третьей волны.

Компании могут задействовать целый спектр подобных технологий, иногда даже для одной прикладной задачи. Рассмотрим, как в Unilever нанимают новых сотрудников. Допустим, вы ищете работу и через сеть LinkedIn находите в Unilever подходящую вакансию. На первом этапе вам как соискателю предложат сыграть в двенадцать онлайн-игр, основанных на тестах из когнитивной нейробиологии. Игры помогают оценить черты вашей личности, например насколько вы склонны к риску, насколько хорошо считываете эмоциональные сигналы по сравнению с контекстуальными. В этих играх нет однозначно верных или неверных ответов, поскольку, например, склонность к риску может быть полезна для одного типа задач, а неприятие риска – для другого. На этом этапе отбора не требуется продвинутый искусственный интеллект – достаточно относительно простой технологии, например RPA.

На следующем этапе вам предложат отправить с компьютера или смартфона видеозапись вашего интервью, где вы отвечаете на ряд вопросов, специально подобранных для той должности, на которую вы претендуете. Именно здесь в игру вступают продвинутые технологии искусственного интеллекта: ваши ответы анализирует интеллектуальное приложение HireVue, и не только ваши слова, но и мимику, язык тела и тон голоса. Затем самых успешных кандидатов приглашают в офис компании на интервью, где их компетенции оценят те, кто и примет окончательное решение.

Пример Unilever иллюстрирует не только применение разных технологий на разных этапах в рамках одного и того же приложения, но и весь потенциал взаимодействия человека и машины. В течение первых 90 дней после запуска новой системы компания получила 30 000 обращений от соискателей – вдвое больше, чем за аналогичный период прошлого года. Среднее время выбора кандидата сократилось с четырех месяцев до месяца, а время, которое рекрутеры тратят на изучение резюме, уменьшилось на 75 %. По данным компании, после внедрения этой системы удалось набрать самый разнообразный персонал за всю ее историю. Так, радикально расширился круг университетов, выпускников которых принимают на работу, – с 840 до 2600[37]37
  Richard Feloni, “Consumer-Goods Giant Unilever Has Been Hiring Employees Using Brain Games and Artificial Intelligence – And It’s a Huge Success”, Business Insider, June 28, 2017, www.businessinsider.com/unilever-artificial-intelligence-hiring-process-2017-6.


[Закрыть].

Повторяемость. Воспроизводимость. Избыточность. Хорошо отлаженный процесс. Если для ваших бизнес-операций характерны именно такие черты – это верный признак, что ваши задачи и процессы готовы к трансформации.

Роджер Дики, разработчик и основатель динамично растущего стартапа Gigster, признает, что воспроизводимость и избыточность характерны для исходного кода большинства приложений. В то же время разработка новой программы – независимо от того, насколько этот проект похож на предыдущие – исключительно сложна, полна багов и иных стопперов. Можно ли применить искусственный интеллект, чтобы переосмыслить бизнес-процессы, необходимые для создания ПО?

Gigster говорит «да». Компания использует искусственный интеллект для оценки потребностей конкретного проекта по разработке программного обеспечения и автоматически собирает специально под него команду разработчиков. Если вы маленькая фирма, которой требуется мобильное приложение или какой-то другой программный продукт, но у вас нет времени или ресурсов, чтобы самостоятельно нанять команду разработчиков, обратитесь к Gigster. Если вы крупная корпорация, не желающая выводить ресурсы из текущих проектов, – обратитесь к Gigster.

Gigster эффективно решает проблемы сразу в нескольких областях: организация труда (команды разработчиков формируются при помощи искусственного интеллекта), снабжение (за объем закупок отвечает искусственный интеллект) и IT (работа программистов и управление ими осуществляется с применением искусственного интеллекта).

Как Gigster смог перевернуть представления о снабжении и работе с персоналом? Допустим, вы хотите написать приложение, которое помогло бы пациентам объединить все их медицинские карты, чтобы предоставлять врачу исчерпывающую информацию. С чего начать? Сперва готовим для Gigster краткий документ, описывающий основные функции приложения и то, каким вы видите пользователя. В Gigster описание проекта сверяется с другими, уже имеющимися в портфолио компании «структурами данных» – в сущности, это портфолио представляет собой каталог реализованных программных возможностей. Дики говорит, что его компания описала «геном прикладной программы» и выделила пятьсот характеристик, свойственных тем или иным продуктам. Gigster учитывает еще около двадцати клиентских требований к тому, как должен выглядеть пользовательский интерфейс, как быстро должна выполняться задача, и т. д. На основании пользовательской модели, описания и требований заказчика искусственный интеллект Gigster анализирует уже готовые проекты со схожими требованиями и ограничениями для расчета стоимости и сроков разработки.

Если стоимость и сроки вас как клиента устраивают, запускается следующий набор ИИ-функционала от Gigster. Компания задействует «генератор программистов», в котором сопоставляет потребности вашего приложения с квалификацией и опытом разработчиков, которые могут вам помочь. Как правило, такая команда состоит из трех-пяти человек: менеджера проекта, одного-двух дизайнеров, одного-двух разработчиков; все они – высокоэффективные профессионалы, чьи разработки постоянно отслеживает система онлайн-мониторинга Gigster, благодаря которой компания гарантирует качественные решения в срок. Такая первичная подготовка выполняется за один-три дня.

Поскольку разработчики действуют в цифровой реальности, все, что они делают, относительно легко фиксируется и анализируется. «Мы считаем, что их работа поддается измерению, и что в данных прослеживаются закономерности, и что эти закономерности можно использовать для поиска новых эффективных подходов к работе», – утверждает Дики. Таким образом, Gigster известно, какие процессы ведут разработчиков к успеху (на основе изучения сотен аналогичных проектов). Инструмент, оснащенный искусственным интеллектом, может использовать эту информацию для обнаружения потенциальных проблем прежде, чем они выйдут из-под контроля. Более того, как только у разработчиков возникнут проблемы с конкретным фрагментом кода, интеллектуальный помощник немедленно свяжет их со специалистом, который недавно решил подобную проблему или как раз работает над ней. «Этот интеллектуальный помощник точно знает, на каком этапе проекта вы сейчас находитесь, – говорит Дики, – и может соединить вас с другими людьми в любой точке земного шара, работающими над точно такими же задачами»[38]38
  Из интервью с Роджером Дики, основателем Gigster, авторам книги, 21 ноября 2016 года.


[Закрыть]. Подобное взаимодействие сотрудников – одна из ключевых черт третьей волны интеграции человека и машины.

Сама природа бизнеса по разработке компьютерных программ Gigster такова, что компания способна использовать искусственный интеллект для широкого спектра IT– и бизнес-процессов, в то время как другие компании смогут получить преимущество от использования искусственного интеллекта лишь для нескольких бизнес-процессов. Руководству таких организаций нужно принять взвешенное решение о том, как лучше всего дополнить возможности своих сотрудников. У них также должен быть план широкого внедрения искусственного интеллекта в текущие бизнес-процессы.

Именно такие проблемы предстояло решить Skandinaviska Enskilda Banken (SEB), крупному шведскому банку, который захотел внедрить виртуального помощника. Amelia, созданная IPsoft (позднее ставшая Aida в приложении SEB), сейчас напрямую взаимодействует с миллионом клиентов SEB. «За первые три недели работы программа провела более 4000 бесед с 700 людьми и сумела решить большинство проблем», – сообщает Расмус Йерборг, директор по развитию SEB. Решение «делегировать» Aida все взаимодействие с клиентами было принято лишь после того, как банк протестировал программу внутри компании в качестве виртуального агента IT-поддержки, успешно оказывавшего помощь 15 000 сотрудников банка[39]39
  IPsoft’s Cognitive Agent Amelia Takes on Pioneering Role in Bank with SEB // IPsoft press release. 2016, October 6. http://www.ipsoft.com/2016/10/06/ipsofts-cognitive-agent-amelia-takes-on-pioneering-role-in-banking-with-seb.


[Закрыть].

Aida отлично справляется с обработкой естественного языка; технология способна отслеживать даже тон звонящего. Программа адаптируется, усваивая новые навыки; для этого она следит за работой сотрудников, общающихся с клиентами. Таким образом, ее возможности расширяются и совершенствуются; новые задачи и процессы взаимодействия с клиентами можно автоматизировать практически без прямого участия сотрудников фронт-офиса.

SEB – первый банк, использующий Amelia для общения с клиентами, и IPsoft помогла собрать внутрикорпоративный пул специалистов, способных тренировать программу. Эти люди-наставники контролируют обучение и производительность, находят новые способы применения технологии для обслуживания клиентов[40]40
  Sage Lazzaro, “Meet Aida, the AI Banker That NEVER Takes a Day Off: Swedish Firm Reveals Robot Customer Service Rep It Says Is ‘Always at Work, 24/7, 365 Days a Year,’” Daily Mail UK, July 31, 2017, http://www.dailymail.co.uk/sciencetech/article-4748090/Meet-Aida-AI-robot-banker-s-work.html.


[Закрыть]. Мы подробно обсудим подобные виды взаимодействия человека и машины в главе 5.

Aida демонстрирует, что в масштабной и сложной бизнес-среде возможна автоматизированная коммуникация с клиентом на естественном языке. По мере того как совершенствуются приемы обработки естественного языка и улучшаются интерфейсы, автоматизированные коммуникации будут охватывать все больше бизнес-процессов в разных отраслях. В главе 4 мы обсудим, как чат-боты, использующие технологии обработки естественного языка, например Alexa от Amazon, становятся новыми «лицами» фронт-офиса компаний.

По мере того как бизнес-процессы миддл– и бэк-офисов становятся все «умнее» благодаря искусственному интеллекту, эта технология потенциально способна трансформировать целые отрасли. Например, в сфере IT-безопасности появляются компании, сочетающие методы машинного обучения для создания ультраинтеллектуальной, постоянно совершенствующейся защиты против вредоносного ПО. Такие системы могут выявлять опасные вирусы и программы еще до того, как они нанесут урон, а также обнаруживать уязвимости прежде, чем те превратятся в бреши, через которые хакеры смогут взять под контроль эти системы. В ряде случаев обеспечение IT-безопасности – это замкнутый автоматизированный цикл; люди могут отвлечься от повседневного администрирования и уделить время изучению угроз или созданию новых симуляций для дальнейшего тестирования и обучения ботов (см. врезку «Противоборство ботов»).

В рамках традиционной кибербезопасности компания может анализировать имеющиеся данные, обобщать характерные признаки угроз и использовать эту информацию для защиты от новых угроз в будущем. Это статическая операция, не способная к адаптации в режиме реального времени. Напротив, методы на основе искусственного интеллекта позволяют распознавать аномальные паттерны по мере их возникновения. Это достигается путем классификации моделей в зависимости от динамики сетевого трафика и ранжирования аномалий по степени отклонения от нормы. Способность искусственного интеллекта к анализу совершенствуется после устранения человеком или машиной очередной угрозы, так как новые знания накапливаются в процессе работы.

У каждой компании, занимающейся компьютерной безопасностью, свои подходы к этой проблеме. Так, SparkCognition предлагает продукт Deep Armor, в котором используется несколько технологий искусственного интеллекта, в том числе нейронные сети, эвристика, наука о данных и обработка естественного языка. Deep Armor способен обнаруживать никогда ранее не встречавшиеся угрозы и удалять вредоносные файлы.

Противоборство ботов

В 2016 году в Лас-Вегасе состоялся конкурс DARPA Cyber Grand Challenge, ставший своего рода ареной борьбы разных моделей ботов. Автоматизированные системы были запрограммированы на поиск и использование брешей в программном обеспечении машин-конкурентов и одновременно на отражение их атак[41]41
  Cade Metz, “DARPA Goes Full Tron with Its Brand Battle of the Hack Bots”, Wired, July 5, 2016, https://www.wired.com/2016/07/_trashed-19/.


[Закрыть].

Победил бот Mayhem, созданный в рамках проекта ForAllSecure Университета Карнеги – Меллон. Он выиграл, используя тактику, разработанную на основе теории игр. В сущности, он искал бреши в собственной системе безопасности, после чего проводил анализ рентабельности, решая, следует ли немедленно устранить эти уязвимости (для этого системе требовалось ненадолго отключиться от сети). Если атака казалась маловероятной, программа могла дольше проработать онлайн, используя слабости других систем.

У ботов, участвовавших в соревновании, имелись баги, свидетельствовавшие о том, что программы были недоработаны, однако эксперты сошлись во мнении, что системы действовали впечатляюще; в некоторых случаях им удалось найти и исправить заранее внедренные баги быстрее, чем это сделал человек. Все это указывает на формирование мира автоматизированного хакерства, в котором роль человека принципиально изменится: он будет обучать ботов или контролировать их поведение с целью предотвратить нарушения правовых или этических норм.

Компания Darktrace предлагает продукт Antigena, смоделированный по образцу иммунной системы человека, идентифицирующий и нейтрализующий баги по мере их появления[42]42
  “Darktrace Antigena Launched: New Era as Cyber AI Fights Back”, Darktrace press release, April 4, 2017, https://www.darktrace.com/press/2017/158/.


[Закрыть]. Поведенческий анализ сетевого трафика – ключевой метод компании Vectra. Ее программа, оснащенная искусственным интеллектом, изучает характеристики вредоносных активностей в Сети и способна автоматически принимать меры к подавлению атаки или делегировать проблему команде экспертов по безопасности[43]43
  Linda Musthaler, “Vectra Networks Correlates Odd Bits of User Behavior That Signal an Attack in Progress”, Network World, January 9, 2015, https://www.networkworld.com/article/2867009/network-security/vectra-networks-correlates-odd-bits-of-user-behavior-that-signal-an-attack-in-progress.html.


[Закрыть].

Технологии искусственного интеллекта позволяют надеяться, что многие рутинные и однообразные задачи можно будет перепоручить программам-роботам, что позволит сотрудникам получать от работы больше удовлетворения. Это и есть «недостающая середина» симбиотического взаимодействия человека и машины. Именно из нее – а не из автоматизации – компании смогут извлечь максимальную выгоду, инвестируя в передовые цифровые технологии.

В этой главе мы упоминали еще об одном элементе MELDS – лидерстве на примере международного банка, сумевшего трансформировать процессы противодействия отмыванию денег при помощи алгоритмов машинного обучения. Сократилось число ложноположительных результатов, а эксперты-люди получили возможность сосредоточиться на наиболее сложных случаях. Бизнес-процессы такого рода в значительной степени опираются на качественные данные, и многие компании открыли для себя, насколько важно собирать данные сразу из нескольких источников. Ранее Virgin Trains удавалось обрабатывать жалобы, поступающие только через сайт, но теперь компания инвестировала в данные – еще один элемент MELDS – и смогла запустить приложение для обработки естественного языка, позволяющее принимать клиентские обращения через множество каналов, в том числе через социальные сети. По мере внедрения таких систем сотрудникам придется корректировать свой подход к работе, а компаниям – выделять ресурсы на освоение новых навыков (skills), еще одного элемента MELDS. На примере Gigster мы увидели, как интеллектуальные помощники могут связать разработчика с другими специалистами, уже сталкивавшимися с подобной проблемой; следовательно, на первый план выйдет умение сотрудников взаимодействовать. Другой урок этой главы – на заполнение недостающей середины требуется время. Так, при переходе от RPA к более продвинутому искусственному интеллекту компаниям не обойтись без экспериментирования. Шведский банк SEB уделил должное внимание экспериментированию (еще один элемент MELDS), организовав масштабное тестирование своего виртуального помощника Aida на пятнадцати тысячах сотрудников, прежде чем предложить систему миллиону клиентов. Наконец, мы убедились в важности надлежащего мышления на примере сферы IT-безопасности, оценив преобразующий потенциал искусственного интеллекта, который позволил трансформировать всю индустрию с помощью автоматизированных систем, обеспечивающих упреждающее решение проблем.

В главе 3 мы поговорим о том, как можно распространить эту «среднюю зону» на НИОКР. Здесь, как и в цеху, и в офисе, находчивые компании пожинают плоды умного, взаимодополняющего сотрудничества человека и машины.

Технологии и искусственный интеллект: как это сочетается?

Ниже мы кратко описываем ИИ-технологии, знать о которых сегодня просто необходимо. Они связаны с машинным обучением, возможностями искусственного интеллекта, а также сферами их применения (см. рис. 2)[44]44
  Accenture Research; Jerry Kaplan, Artificial Intelligence: What Everyone Needs to Know (New York, Oxford University Press: 2016); и статья “Artificial intelligence” в английской википедии https://en.wikipedia.org/wiki/Artificial_intelligence.


[Закрыть].

Рис. 2. Совокупность технологий искусственного интеллекта и их прикладных решений для бизнеса

Машинное обучение

Машинное обучение. Область компьютерных наук, занимающаяся алгоритмами, которые самостоятельно обучаются и прогнозируют ситуацию на основе имеющихся данных, не требуя вмешательства программиста. Родоначальником этих исследований является Артур Сэмюэл из IBM, предложивший в 1959 году этот термин и использовавший принципы машинного обучения в исследованиях компьютерных игр. Благодаря резкому росту объема доступных данных, необходимых этим алгоритмам для обучения, сегодня МО применяется в таких разных областях, как исследования на основе компьютерного зрения, выявление мошенничества, прогнозирование цен, обработка естественного языка и пр.

Обучение с учителем. Это тип машинного обучения, где алгоритму даются заранее классифицированные и отсортированные данные (их называют «размеченными»), состоящие из примеров вводимых данных и желаемых результатов их обработки. Цель алгоритма – усвоить общие правила, связывающие вводимые данные и получаемые результаты, и на основе этих правил прогнозировать события, имея в распоряжении только входные данные.

Обучение без учителя. Обучающий алгоритм не включает никаких классификаций и меток, машина сама определяет структуру и взаимосвязи входных данных. Само по себе обучение без учителя может быть как целью (обнаружение скрытых закономерностей), так и средством (извлечение признаков из массива данных). Обучение без учителя менее сфокусировано на результатах, нежели обучение с учителем, зато в большей степени ориентировано на исследование входных данных и распознавание структуры неразмеченных данных.

Частично контролируемое обучение: здесь используются как размеченные, так и неразмеченные данные – обычно неразмеченных больше. Многие исследователи машинного обучения обнаружили, что при комбинации двух этих типов данных эффективность обучения значительно возрастает.

Обучение с подкреплением – это тип обучения, при котором алгоритм имеет конкретную цель (например, управлять роботизированным манипулятором или играть в го). Каждый шаг на пути к цели отмечается вознаграждением либо штрафом. Учитывая такую обратную связь, алгоритм может выработать наиболее эффективный способ достичь цели.

Нейронная сеть – это тип машинного обучения, при котором алгоритм обрабатывает полученные данные примерно по тому же принципу, что и биологическая нервная система. Фрэнк Розенблатт из Корнеллского университета в 1957 году изобрел первую нейронную сеть с простой однослойной архитектурой, также именуемую «неглубокой сетью».

Глубокое обучение и его разновидности: глубокие нейронные сети, рекуррентные нейронные сети, нейронные сети прямого распространения – это совокупность приемов для обучения многослойной нейронной сети. В глубоких нейронных сетях «усвоенные» данные пропускаются через несколько слоев; на каждом следующем слое результат предыдущего слоя используется в качестве вводной информации. В рекуррентных нейронных сетях данные могут распространяться между слоями вперед и назад, а в нейронных сетях с прямым распространением – только вперед.

Сегмент возможностей искусственного интеллекта

Прогностические системы – это системы, которые на основе данных за прошедшие периоды устанавливают взаимосвязи между входными переменными и полученными результатами. На основе этих взаимосвязей разрабатываются модели, которые, в свою очередь, применяются для прогнозирования новых результатов.

Локальный поиск (оптимизация) – это математический подход к решению задач, где используется матрица возможных решений. Алгоритм ищет оптимальное решение, начиная с одного конца матрицы, а затем систематически, итерация за итерацией, двигается к смежным решениям, пока не найдет наилучшее.

Представление знаний – это область искусственного интеллекта, занимающаяся представлением информации о мире в такой форме, чтобы компьютерная система могла использовать ее для решения сложных задач – например, диагностики заболевания или беседы с человеком.

Экспертные системы (логические умозаключения) – это системы, использующие отраслевые знания (из медицины, химии, права) в сочетании со сводом правил их применения. Системы совершенствуются по мере добавления новых знаний либо обновления или совершенствования правил.

Компьютерное зрение – это дисциплина, в рамках которой компьютеры обучаются идентифицировать, распределять по категориям и понимать информацию, содержащуюся в изображениях и видео. Такие системы имитируют человеческое зрение и расширяют его возможности.

Обработка аудио и сигналов – это машинное обучение, которое может использоваться для анализа аудио и других сигналов, особенно в средах с высоким уровнем шума. Такие технологии применяются, в частности, для компьютерного синтеза речи, обработки аудио– и аудиовизуальной информации.

Преобразование речи в текст – нейронные сети, преобразующие аудиосигналы в текст на множестве языков. Возможности применения: машинный перевод, голосовое управление, расшифровка аудио и пр.

Обработка естественного языка (NLP) – это область исследований, где компьютер обрабатывает человеческий (естественный) язык. Возможности применения: распознавание речи, машинный перевод и анализ интонации.

Сегмент прикладного искусственного интеллекта

Интеллектуальные агенты –  это программы, общающиеся с человеком на естественном языке. Они могут помогать менеджерам по работе с клиентами, HR-службе, сотрудникам, занятым обучением и другими бизнес-задачами, связанными с обработкой запросов типа FAQ.

Коллаборативные роботы (коботы) – роботы, работающие сравнительно медленно и укомплектованные датчиками, обеспечивающими безопасное взаимодействие с работниками-людьми.

Биометрия, распознавание лиц и жесты: технология идентифицирует людей, их жесты или состояния по биометрическим показателям (стресс, активность и т. д.) для обеспечения взаимодействия человека и машины или идентификации личности и ее подтверждения.

Интеллектуальная автоматизация: позволяет делегировать некоторые задачи от человека к машине, принципиально меняя традиционные рабочие процессы. У машин есть свои сильные стороны (скорость, возможность масштабирования, способность ориентироваться в условиях многозадачности), дополняющие человеческий труд, максимально расширяя границы возможного.

Рекомендательные системы: формулируют рекомендации на основе неявных закономерностей, обнаруживаемых алгоритмами на основе искусственного интеллекта с течением времени. Они могут быть нацелены на взаимодействие с клиентом (предлагать новые продукты) либо использоваться внутри компании (подсказывать стратегические решения).

Интеллектуальные продукты: искусственный интеллект внедряют в продукт уже на этапе проектирования, чтобы продукт мог развиваться, соответствуя меняющимся потребностям клиентов, а также предвосхищать их потребности и предпочтения.

Персонализация: анализируются тренды и закономерности поведения сотрудников и клиентов с целью настроить программные средства и продукты под конкретных пользователей или потребителей.

Распознавание текста, речи, изображений и видео: распознавание текста, изображений, речи, видеозаписей для извлечения данных и связей, которые могут быть применены для большого спектра аналитических задач и использоваться для создания более высокоуровневых систем, предназначенных для взаимодействия с людьми.

Расширенная реальность: возможности искусственного интеллекта комбинируются с технологиями виртуальной, дополненной и смешанной реальности. Так искусственный интеллект создает дополнительные возможности для обучения, технической поддержки и других видов деятельности.