Текст книги "Душа машины. Радикальный поворот к человекоподобию систем искусственного интеллекта"

Глава 3. Знание

Машина: от тренировки к обучению

В книге «Человек + машина» описаны непривычные роли и задачи, возникающие из партнерского взаимодействия людей и машин в области, названной нами недостающей серединой. Речь идет о новых подходах к труду, которые практически не упоминаются в современных экономических исследованиях и докладах о положении дел в сфере занятости.

С появлением все более сложных технологий искусственного интеллекта, обеспечивших сотрудничество между человеком и машиной, заполнение недостающей середины стало одним из ключевых аспектов инновации.

Мы выделили шесть смешанных видов деятельности человека и машины. В трех случаях искусственный интеллект наделяет людей «сверхспособностями»: 1) расширяет наши возможности путем использования прежде недоступных данных и методов анализа; 2) взаимодействует с нами при помощи новейших интерфейсов; 3) реализует физические свойства, существенно превосходящие те, что даны нам от природы.

Люди, в свою очередь, дополняют машины: 1) тренируют их, занося данные в системы машинного обучения; 2) разъясняют полученные ими результаты; 3) обеспечивают их работу в техническом и этическом смысле: следят, чтобы машина служила человеку, а не наоборот. К трем последним видам деятельности теперь следует добавить и четвертый: обучение машин, при котором они получают доступ к экспертному знанию.

В новом мире, где человек обучает машину, наибольшую пользу вашей организации принесут не разработчики ПО, не специалисты по обработке данных и не поставщики технологий на основе искусственного интеллекта. Все эти роли и профессии будут по-прежнему важны, но надежное преимущество перед конкурентами вам обеспечат эксперты в вашей собственной отрасли.

Машинное обучение может задействовать опыт сотрудников любого ранга и многократно повысить его ценность. Для этого необходимо переосмыслить бизнес-процессы исходя из новых возможностей, которые дает вертикально интегрированный искусственный интеллект.

Три измерения опыта

Авангардная американская исполнительница и композитор Холли Херндон выпустила в 2015 году свой второй полноценный альбом Platform. Это было своего рода музыкальное прощание с технологией. Или, по крайней мере, с определенным подходом к технологии.

Поначалу Херндон прозвали девушкой с лэптопом: в качестве музыкального инструмента она выносила на сцену портативный компьютер. Записывая свой первый альбом, она использовала компьютерные программы для обработки вокала. Однако во втором альбоме (его название Platform отсылает к интернету) исполнительница пошла намного дальше, отчасти поставив под сомнение возможную власть машин над человеком.

Не нужно считать Херндон луддитом. В последующие четыре года она защитила диссертацию в Центре компьютерных исследований музыки и акустики Стэнфордского университета (на базе которого в 2008 году был создан Стэнфордский оркестр портативных компьютеров). С помощью своего партнера Мэта Драйхерста и IT-дизайнера Жюля Лапласа Херндон разработала игровой компьютер, поддерживающий нейросеть, которую создатели окрестили Spawn – «Детище» – и использовали при записи альбома Proto (2019). Это название отсылает к протоколам компьютерных алгоритмов.

Вместо того чтобы просто заложить в Spawn обширную базу образцов вокала, Херндон с помощниками обучили сеть с помощью распевок и дуэтов. В их стиле переплелись элементы фолк-музыки из разных уголков мира, включая штат Теннесси, где маленькая Холли Херндон когда-то пела в церковном хоре. В альбоме Proto звуки, порожденные нейросетью, сочетаются с пением человеческого ансамбля. Результат получается новый и необычный. «Хор женских голосов сливается и расходится в контрапункте, который можно назвать балканским или инопланетным», – написал ведущий музыкальный критик газеты New York Times в восторженной рецензии[90]90
  Jon Pareles, Caryn Ganz, and Giovanni Russonello, “The Playlist: Anderson. Paak’s Soulful Strut, and 12 More New Songs,” New York Times, March 15, 2019, https://www.nytimes.com/2019/03/15/arts/music/playlist-anderson-paak-sean-paul-j-balvin.html.


[Закрыть].

«Весь альбом опирается на фольклорные темы; многое в нем связано с личным опытом музыкантов из нашего ансамбля, – сказала Херндон корреспонденту Би-би-си. – Меня увлекла мысль о том, что певческие традиции возникают по всему миру, как будто у человека внутри от рождения есть встроенная технология»[91]91
  Emily Mackay, “Holly Herndon: Making Music with Her AI Child Spawn,” BBC, May 11, 2019, https://www.bbc.com/culture/article/20190511-holly-herndon-making-music-with-her-ai-child-spawn.


[Закрыть].

Такой взгляд резко отличается от привычного подхода к искусственному интеллекту в музыке: загрузить в сеть побольше записей одного жанра или исполнителя (возможно, уже умершего), а затем переключить ее на искусственную генерацию произведений того же стиля.

Холли Херндон вспоминает: «Я не хотела воспроизводить музыку. Я хотела найти новое звучание, новую эстетику. Главное отличие в том, что мы рассматриваем наше “Детище” как участника группы, а не как инструмент для сочинения. Даже когда оно импровизирует как настоящий исполнитель, оно не пишет музыку. Музыку должна писать я!»[92]92
  Katie Hawthorne, “Holly Herndon: The Musician Who Birthed an AI Baby,” Guardian, May 2, 2019, https://www.theguardian.com/music/2019/may/02/holly-herndon-on-her-musical-baby-spawn-i-wanted-to-find-a-new-sound.


[Закрыть]

Холли Херндон – сторонница радикального технологического разворота к человеку: от тренировки машин на огромных массивах данных к обучению машин с помощью человеческого опыта и знаний. Обучение – следующий логический шаг на пути сотрудничества человека с машиной: ее уже не просто загружают информацией, а делятся с ней опытом; задействуют не только машинный сбор эмпирических данных, но и системное человеческое знание, «воспитывают» у искусственного интеллекта мыслительные способности.

«Тренировка машины предполагает алгоритмический поиск закономерностей в данных, – говорит Гурдип Палл, вице-президент корпорации Microsoft по внедрению ИИ в бизнес-процессы. – Наставничество же подразумевает передачу знания от человека к системе машинного обучения»[93]93
  Jared Newman, “‘Machine Teaching’ Is a Thing, and Microsoft Wants to Own It,” Fast Company, April 23, 2019, https://www.fastcompany.com/90338498/machine-teaching-is-a-thing-and-Microsoft-wants-to-own-it.


[Закрыть].

Обучение машины затрагивает три человеческие сферы, которые давно пытается освоить искусственный интеллект: профессиональный, коллективный социальный и личный опыт (то есть врожденные и приобретенные индивидуальные способности человека). Холли Херндон, к примеру, объединила профессиональный исполнительский опыт, социальный контекст фольклорных традиций и хорового пения и персональный талант композитора. Результат: оригинальное, подлинно новаторское звучание, которое не могут воспроизвести конкуренты.

Обучением машин занимаются не только в специфической среде техно-арт-поп-музыки. В поисках инновационного подхода к искусственному интеллекту многие деловые и научные организации переосмысливают значение профессионального, социального и личного опыта. Эти первопроходцы ищут новые способы интегрировать человеческие знания в уникальные системы, работающие на благо отрасли.

Они встраивают мощные алгоритмы в прежде трудноопределимые социальные системы вроде естественного языка, потребительского восприятия стиля и сложных сетей интеллектуального взаимодействия. Они же находят способы задействовать врожденные и приобретенные человеческие способности, благодаря которым пересматривается роль человека в контуре управления.

Вкупе с радикальным разворотом к человеку в сфере обработки данных повышенное внимание к профессиональному, коллективному и личному опыту – E в IDEAS – открывает принципиально новые пути инновациям в различных отраслях.

Профессиональный опыт: искусственный интеллект и специфика отрасли

Давайте рассмотрим масштабный проект по обучению машин, запущенный более десяти лет назад на базе корпорации Microsoft. В наши дни его польза становится очевидной.

Цель проекта – облегчить работникам любого профиля использование искусственного интеллекта: дать им возможность «самим писать музыку». Разработчики или специалисты с ограниченным опытом применения ИИ-технологий (юристы, бухгалтеры, инженеры, медсестры, операторы грузоподъемников и т. д.) могут заносить в «умную» систему важные абстрактные понятия. А система сама запустит процессы машинного обучения в фоновом режиме.

Специалист, понимающий поставленную задачу, разбивает ее на отдельные шаги и определяет автономному устройству правила и критерии работы. Затем с помощью софта для симуляций специалист демонстрирует некоторое количество примеров – что-то вроде поурочного плана, – которые позволят алгоритмам машинного обучения выполнить задачу. Если устройство многократно повторяет одну и ту же ошибку, в цифровую учебную программу добавляются новые примеры.

«Машина исследует возможности не сама, а под руководством наставника», – объясняет Марк Хэммонд, генеральный директор корпорации Microsoft по работе с искусственным интеллектом[94]94
  Dina Bass, “Microsoft Wants to Teach Drones, Robots and Drills How to Think,” Bloomberg News, November 4, 2019, https://www.bloomberg.com/news/articles/2019-11-04/Microsoft-wants-to-teach-drones-robots-and-drills-how-to-think.


[Закрыть]. Получив готовую программу, система автоматизирует учебный процесс и проводит сотни или даже тысячи симуляций одновременно.

Алисия Пелтон, старший координатор программ для группы машинного обучения корпорации Microsoft, приводит простой пример. Допустим, компания хочет использовать искусственный интеллект, чтобы провести анализ документов и выяснить, какой процент разосланных коммерческих предложений конвертируется в продажи[95]95
  Jennifer Langston, “Machine Teaching: How People’s Expertise Makes AI Even More Powerful,” Microsoft, April 23, 2019, https://blogs.Microsoft.com/ai/machine-teaching/.


[Закрыть].

В первую очередь системе надо научиться различать виды документов: договор, счет-фактура, описание проекта и т. п. Скорее всего, в компании не существует единообразных обучающих данных, особенно если каждый сотрудник отдела продаж работает по-своему.

В режиме чисто машинного обучения компании пришлось бы нанять сторонних специалистов для создания образцов, отправить им тысячи документов с подробными инструкциями и еще несколько месяцев дожидаться результата. Далее руководству нужно было бы убедиться, что данные верны, и найти дорогого и редкого консультанта по машинному обучению, который составил бы необходимую модель. А если бы сотрудники отдела продаж использовали модели, к которым машина не приучена заранее, то эффективность ее работы оказалась бы весьма низкой.

Однако в системе, где машину обучает человек, один из сотрудников компании – скажем, опытный менеджер отдела продаж – мог бы выделить характерные признаки нужного документа и ключевые слова, например «условия оплаты». Его комментарии были бы переведены на язык, который понятен машине, и заранее выбранный алгоритм решил бы задачу. Так, используя штатных специалистов, организации могут применять программы машинного обучения и быстро подстраивать их под специфику отрасли.

Инновации на производстве

В наши дни десятки организаций осваивают программы машинного обучения от корпорации Microsoft[96]96
  The examples that follow are drawn from Bass, “Microsoft Wants to Teach Drones, Robots and Drills How to Think.”


[Закрыть]. Авиакомпания Delta Air Lines проверяет, насколько эта технология может оптимизировать процесс доставки багажа. Французская Schneider Electric – крупный производитель оборудования и автоматики для энергетических подкомплексов – применяет инновации для работы с отопительными и охлаждающими установками. Университет Карнеги – Меллона воспользовался программой машинного обучения при разработке робота-сапера по заказу Управления перспективных исследовательских проектов Пентагона (DARPA).

Корпорация Microsoft не одинока в своем поиске. Amazon и Google также работают над программами машинного обучения, которые позволят технологам с самым скромным опытом применения искусственного интеллекта создавать сложные ИИ-модели. К примеру, даже начинающий пользователь сможет запрограммировать модель с помощью инструмента SageMaker Autopilot от корпорации Amazon. Разработчики Google учат искусственный интеллект распознавать речь, наблюдая за мимикой поющего человека. Для этого не нужны специальные программы, следящие за движением, – вполне достаточно камеры смартфона[97]97
  Zachary Kew-Denniss, “Google’s Latest AI Experiment Wants You to Lip-Sync a Song to Help It Learn How We Speak,” Android Police, September 24, 2020, https://www.androidpolice.com/2020/09/24/Googles-latest-ai-experiment-wants-you-to-lip-sync-a-song-to-help-it-learn-how-we-speak/.


[Закрыть].

Обучение машины тому, что сделал бы человек в условиях высокой неопределенности и нехватки данных, намного выигрышнее, чем «жадные до данных» подходы к разработке и эксплуатации многих видов промышленного оборудования. Корпорация Siemens использует обученные методом «сверху вниз» системы искусственного интеллекта для управления сложнейшими процессами в газовых турбинах, где газ и воздух воспламеняются в камере сгорания при температуре до 1600 ℃[98]98
  “Volkmar Sterzing and Steffen Udluft Rank among the First Inventors of Data-Efficient AI Applications in the World,” Siemens, n. d., https://assets.new.siemens.com/siemens/assets/api/uuid:9e0034a9–229a-4e24-a1cf-e0eae8f23117/inventor-2017-sterzing-udluft-e.pdf.


[Закрыть].

Объем продуктов горения и в конечном счете срок эксплуатации турбины зависят от многочисленных факторов – от качества газа и притока воздуха до внутренней и внешней температуры.

Чтобы удалось накопить достаточно данных для обучения ИИ по принципу «снизу вверх», газовая турбина должна была бы проработать около столетия. Однако исследователи из команды Siemens Фолькмар Штерцинг и Штеффен Удлуфт применили методы, не требующие большого массива данных на этапе машинного обучения.

Полученная система мониторинга обеспечивает гибкую настройку, которая позволяет минимизировать выбросы в атмосферу и замедлить износ. Оптимальные решения подбираются в режиме реального времени, как будто за пультом управления сидит специалист и умело одновременно вертит несколько ручек.

Кто считается экспертом?

Как показал недавний эксперимент, который наша компания провела с медицинскими кодерами, специалистов высокого класса можно найти на любой должности[99]99
  H. James Wilson and Paul R. Daugherty, “Small Data Can Play a Big Role in AI,” Harvard Business Review, February 17, 2020, https://hbr.org/2020/02/small-data-can-play-a-big-role-in-ai.


[Закрыть]. В сфере здравоохранения кодировщики (не путать с программистами, которые пишут компьютерный код!) анализируют карты пациентов и переводят сложную информацию о диагнозах, процедурах, препаратах и т. д. в буквенно-цифровые коды, которые затем заносятся в платежные и страховые системы для выставления счетов и выплаты компенсаций.

Кодеры, принявшие участие в нашем эксперименте, – лицензированные медсестры, – уже имели некоторый опыт работы с искусственным интеллектом. Он использовался для сканирования карт, поиска связи между заболеванием и протоколом лечения, а также для подбора кодов заболеваний. Нам хотелось узнать, возможно ли сделать из кодеров учителей для системы искусственного интеллекта и обогатить машину их знаниями, повысив тем самым ее эффективность.

Перед кодерами стояла задача просмотреть разделы сводных таблиц для обучения ИИ, где связи между ячейками по-разному определялись человеком и машиной (например, симптом Х ассоциировался с заболеванием Y). Опираясь на собственный опыт, кодеры могли напрямую подтверждать, добавлять или удалять линки (связи/ссылки), а также приводить причины своих решений. Эти действия и комментарии были видны коллегам.

Кроме того, поощрялся интернет-поиск связи между диагнозом и назначенными препаратами (нередко с помощью приложения WebMD), поскольку имевшаяся на тот момент поисковая система искусственного интеллекта расценивалась участниками как слишком медленная.

Подобное добавление человеческого опыта дает ощутимый качественный сдвиг. Вместо того чтобы оценивать отдельно взятые медицинские карты, кодеры создали корпус знаний, который станет определять правила заполнения карт в будущем. Кроме того, когда искусственный интеллект возьмет на себя рутинную работу, исчезнет необходимость просматривать все карты целиком, и кодеры-люди смогут сосредоточиться на особо сложных случаях. Да и аналитикам больше не придется тратить время на однообразную неблагодарную работу по очистке, стандартизации и перемещению данных.

В рамках новой системы кодерам рекомендовали сосредоточиться не столько на количестве перекрестных ссылок, сколько на обучении искусственного интеллекта общим правилам работы со связкой «диагноз – препарат», при необходимости приводя научные данные. Теперь появилась возможность добавить к сводным таблицам для ИИ линки, не обремененные чрезмерным багажом количественных данных. Это означает, что машина сможет более последовательно и динамично накапливать информацию, особенно о редких, спорных или недавно появившихся протоколах лечения.

Получив новые задачи, кодеры вскоре начали воспринимать себя не только как учителей искусственного интеллекта, но и как наставников своих коллег. Что еще важней, они обнаружили: уважение членов команды зависит от их способности тщательно обосновать каждое решение. Многие участники программы отметили, что внятные пояснения в дальнейшем помогают новым кодерам быстро ориентироваться в незнакомых протоколах.

Кроме того, кодеры сообщили, что новая роль принесла им личное и профессиональное удовлетворение, позволив использовать накопленный опыт и расширить палитру навыков. Теперь им стало намного легче воспринимать искусственный интеллект как составную часть рабочего процесса.

Задействовав штатных специалистов в обучении искусственного интеллекта, мы получаем многочисленные преимущества. Когда сотрудники, не имеющие отношения к сфере компьютерных технологий, становятся наставниками машины – как наши медицинские кодеры, – у компании появляется возможность использовать уникальный отраслевой опыт на любом уровне операций.

Квалифицированные работники становятся уже не просто пассивными потребителями ИИ-продуктов, а творцами искусственного интеллекта. Вместо обработки данных они находят новые способы применить собственное знание, включающее в себя не только функциональный опыт, но и глубинное понимание жизни организации: как она зарабатывает деньги и справляется с конкурентами, что в ней можно улучшить и т. д.

Коллективный опыт: социальный контекст в обучении машины

Человек без особых усилий ориентируется в коллективных и социальных контекстах высокой сложности, которые пересекаются, наслаиваются друг на друга, изменяются в краткосрочной и долгосрочной перспективе.

Водитель машины на городской улице, например, имеет дело с густой сетью социальных систем. Он отмечает движение других автомобилей и предугадывает намерения их водителей. Он осмысливает жесты и позы пешеходов. Он соблюдает (или нарушает) официальные правила дорожного движения и учитывает неписаные традиции своей культуры. Так, в одних странах моргание фарами означает готовность уступить дорогу, а в других говорит противоположное: «Я еду. Не отвернешь – твои проблемы».

Речевое взаимодействие требует способности воспринимать бесчисленные сложности и нюансы, включая формальные правила, неформальное словоупотребление, использование жаргона и сленга, игру слов, интонацию, манеру речи, произношение, и – что подчас важнее всего – не произнесенный вслух подтекст.

Система этикета работает за счет формализованных социальных сигналов. В сфере искусства необходимо распознавать жанры и направления. Любое осмысленное умозаключение, предсказание, действие или высказывание человека неизбежно осуществляется в социальном контексте. Как заметил Аристотель в трактате «Политика», общество предшествует индивиду.

Мудрость толпы + машина

Непредсказуемый северокорейский лидер Ким Чен Ын 4 мая 2019 года произвел первые за 7 месяцев ядерные испытания в своей стране. Однако в этом случае его действия были предугаданы группой обычных гражданских лиц, работавших с системой искусственного интеллекта.

Эти «провидцы» участвовали в совместном проекте Агентства передовых исследований в сфере разведки (IARPA) – научно-исследовательского центра при Разведывательном сообществе США – и Института информационных технологий на базе Университета Южной Калифорнии.

Цель IARPA – снабжать ведущих политиков США точными прогнозами геополитических событий. С 2017 года агентство сотрудничает с Институтом информационных технологий в рамках проекта SAGE (Synergistic Anticipation of Geopolitical Events – «Синергетический прогноз геополитических событий»)[100]100
  Fred Morstatter, Aram Galstyan, Gleb Satyukov, Daniel Benjamin, Andres Abeliuk, Mehrnoosh Mirtaheri, KSM Tozammel Hossain, Pedro Szekely, Emilio Ferrara, Akira Matsui, et al., “SAGE: A Hybrid Geopolitical Event Forecasting System,” Proceedings of the Twenty-Eighth International Joint Conference on Artificial Intelligence (IJCAI-19), 2019, pp. 6557–6559, https://www.ijcai.org/Proceedings/2019/0955.pdf.


[Закрыть].

Задача проекта – составлять прогнозы путем взаимодействия человека и искусственного интеллекта. Такие прогнозы бывают точнее, чем предсказания только экспертов-людей или только машин.

Предугадать геополитические события крайне трудно. Исторический опыт показывает: предсказания аналитиков сбываются ненамного чаще, чем случайные догадки[101]101
  Philip E. Tetlock, Expert Political Judgment: How Good Is It? How Can We Know? (Princeton, NJ: Princeton University Press, 2017).


[Закрыть]. Один из способов повысить точность прогноза – поручить его большому количеству экспертов, а затем вывести из полученных версий единую оценку вероятности. Такой подход был впервые описан американским журналистом Джеймсом Шуровьески в книге «Мудрость толпы»[102]102
  Шуровьески Д. Мудрость толпы. Почему вместе мы умнее, чем поодиночке, и как коллективный разум влияет на бизнес, экономику, общество и государство. М.: Манн, Иванов и Фербер, 2013.


[Закрыть].

Принято считать, что крупные сообщества лучше справляются с поиском и принятием решений, а также предсказанием будущего, чем узкие, элитарные группы экспертов[103]103
  James Surowiecki, The Wisdom of Crowds: Why the Many Are Smarter Than the Few and How Collective Wisdom Shapes Business, Economies, Societies and Nations (New York: Doubleday, May 2004).


[Закрыть]. Иными словами, коллективный опыт в широком смысле иногда может превосходить специфический индивидуальный опыт.

В то же время прогресс в сфере машинного обучения позволил создать алгоритмы, более или менее точно предсказывающие результат определенных событий. Проект SAGE сочетает силу коллективного разума с возможностями искусственного интеллекта (отсюда слово «синергетический» в его полном названии). Благодаря этому прогнозы получаются более точными, чем мог бы дать каждый метод по отдельности.

Для участия в проекте отобрали более 500 человек. Совместно им удалось предугадать более 450 событий, связанных с геополитикой, спортом, медициной, изменениями климата и т. д. Составители прогнозов выбирали из набора количественных и качественных вопросов те, на которые хотели бы дать ответ. Пример количественного вопроса: «Какой отметки достигнет японский индекс Nikkei 225 при закрытии торгов [такого-то числа]?» Качественный вопрос мог быть, например, таким: «Вступит ли Пакистан в военный конфликт с другим государством до [определенной даты]?»

Для количественных прогнозов аналитик мог использовать временные ряды, позволяющие оценить вероятность исхода (например, сколько раз за определенный период некий показатель достигал значений, указанных среди вариантов ответа). Машина же получала массив исторических данных, позволяющий создать прогноз временных рядов.

Что касается качественных вопросов – например, о возможном политическом кризисе, – то исторические данные редко позволяют составить прогноз временных рядов, и система задает ориентиры при помощи аналогий, подбирая сходные события в прошлом.

Помимо составления прогнозов с использованием информации как продукта машинного обучения, пользователи могут взаимодействовать и дискутировать друг с другом в чатах и комментировать полученные результаты. В этом отношении метод отличается от традиционного краудсорсинга, предполагающего сбор данных без взаимодействия участников процесса и последующий статистический анализ совокупных результатов.

В 2019 году состоялась проверка точности предсказаний информационно-прогностических систем. У проекта SAGE было два конкурента, и все три системы получили одинаковый набор из 400 вопросов. Победил SAGE.

Благодаря «мудрости толпы» компания Tesla получила серьезное преимущество при разработке беспилотных автомобилей. Ее систему Autopilot обучает полмиллиона водителей. Все машины с этой функцией подключены к интернету, и число их ежедневно растет. В общей сложности они проезжают более 24 млн километров в день, или более 8,7 млрд километров в год, собирая огромные массивы данных с камер и прочих устройств, даже когда система Autopilot неактивна.

Данные загружаются в нейросеть компании Tesla, позволяя изучать человеческие приемы вождения и почти в любой ситуации предугадывать верное торможение, ускорение и повороты руля. Тем временем большинство конкурентов Tesla вынуждены наматывать «учебные» мили по старинке: сажая людей-водителей в салон тестовых автомобилей и оплачивая их работу.

Коллективный разум + машина

Какие же знания можно получить от коллектива?

Медиахолдинг Bustle Digital Group, в который входят популярные женские журналы, выразил желание спрогнозировать рождественские продажи восьми свитеров от одного из ведущих модных брендов[104]104
  Gregg Willcox, Louis Rosenberg, and Hans Schumann, “Sales Forecasting, Polls vs Swarms,” Unanimous AI, 2019, https://11s1ty2quyfy2qbmao3bwxzc-wpengine.netdna-ssl.com/wp-content/uploads/2019/11/Sales-Forecasting-Polls-vs-Swarms-Future-Technology-Conference-2019.pdf.


[Закрыть]. Для этого руководство холдинга воспользовалось платформой Swarm («Рой») от компании Unanimous AI. Таким образом удалось задействовать опыт, интуицию и экспертное знание группы случайно отобранных женщин-миллениалок, которые, по собственному признанию, следили за модой, но не имели опыта прогнозов в сфере маркетинга.

Со своих персональных компьютеров участницы удаленно подключались к платформе Swarm. После недолгого обучения работе с ее инструментами женщин попросили составить прогноз относительно продаж каждой из восьми моделей свитеров в рождественский период.

Сначала были даны индивидуальные оценки, основанные на данных онлайн-исследования; затем наступила стадия коллективного мышления с использованием системы с элементами искусственного интеллекта на платформе Swarm.

Как следует из названия, в основе концепции платформы лежит природный феномен коллективного разума, или «мышления роя»: способность особей совершать осознанные групповые действия без централизованного руководства. Примеры таких коллективов, успешно действующих сообща и оптимально решающих самые сложные проблемы, – это стаи птиц, рои пчел, косяки рыб и муравьиные колонии.

Явление «мышления роя» давно известно ученым, однако лишь в последнее время к нему обратились разработчики систем искусственного интеллекта. Есть надежда, что трудные и опасные задачи в будущем станут выполнять коллективы роботов: например, искать выживших на месте катастрофы, разведывать рельеф морского дна, ликвидировать последствия вредных выбросов и т. д.

По заказу холдинга Bustle Digital Group алгоритмы Swarm изучили сложные коллективные действия, реакции и контакты следящих за модой участниц в режиме реального времени. Полагаясь на объективно наблюдаемые модели поведения, а не на субъективные отклики, система выдала оптимизированные прогнозы продаж для каждого из восьми свитеров, а также рейтинг их предполагаемой популярности. Наивысшую оценку получили три модели, помеченные как универсально привлекательные и умеренно или выраженно трендовые.

С помощью платформы Swarm медиахолдинг угадал среди восьми моделей два из трех бестселлеров. Продажи трех лидеров по версии Swarm превысили продажи трех моделей с низшей оценкой на 150 % – поразительный результат, если учесть, что свитера различались только цветом и рисунком.

Более того, прогнозы Swarm относительно каждой конкретной модели оказались намного точнее традиционных обзоров! ИИ-платформа предсказала разрыв в 34 % между верхними и нижними позициями, тогда как в рейтингах модности и привлекательности, а также в прогнозах продаж аналитики предполагали разрыв всего в 4 %.

Платформа Swarm помогла исследователям из Стэнфордского университета плодотворно осмыслить опыт рентгенологов, диагностирующих пневмонию[105]105
  Megan Scudellari, “AI-Human ‘Hive Mind’ Diagnoses Pneumonia,” IEEE Spectrum, September 13, 2018, https://spectrum.ieee.org/the-human-os/biomedical/diagnostics/ai-human-hive-mind-diagnoses-pneumonia.


[Закрыть]. Клиническая картина этого заболевания сходна с многими другими, именно поэтому диагноз крайне сложно поставить, располагая только рентгеновским снимком легких.

С помощью Swarm все снимки изучались в режиме реального времени, а каждый рентгенолог мог высказать личное мнение. С помощью панели иконок участники сообщали друг другу степень уверенности в диагнозе, а компьютерные алгоритмы по выбору считывали их реакции. Количество верно поставленных диагнозов у платформы Swarm оказалось на 33 % выше, чем у отдельно взятых рентгенологов, и на 22 % выше, чем у стэнфордской программы машинного обучения, которая и ранее обходила врачей.

Технологии коллективного разума применяются и в других отраслях, помогая профессиональным командам составлять точные прогнозы и принимать взвешенные решения. К примеру, несколько групп финансовых трейдеров получили задание: предсказать недельную динамику крупных биржевых индексов – SPX, GLD, GDX и Crude Oil (сырая нефть) – на протяжении 19 недель[106]106
  Hans Schumann, Louis Rosenberg, Niccolo Pescetelli, and Gregg Willcox, “Human Swarms Amplify Accuracy in Financial Predictions,” Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON), IEEE Annual, New York, October 2017, https://11s1ty2quyfy2qbmao3bwxzc-wpengine.netdna-ssl.com/wp-content/uploads/2019/09/Forecasting-Financial-Markets-by-Swarm-IEEE-HCC-2019.pdf.


[Закрыть].

Точность индивидуальных прогнозов в среднем составила 56,6 %. Сетевая работа в режиме коллективного разума повысила их точность до 77 %. Более того, если бы группа участников инвестировала на основе коллективных прогнозов, то получила бы прибыль в 13,3 % за 19 недель, тогда как отдельно взятый трейдер мог бы рассчитывать лишь на 0,7 %.

Обучение систем восприятия естественного языка в режиме реального времени

Zendesk – это не инструмент для оптимизации рабочего стола и не группа исполнителей альтернативной музыки. Это веб-сервис для обслуживания клиентов, который насчитывает уже около 150 000 пользователей в 160 странах и регионах мира.

На первых этапах продвижения Zendesk на глобальном рынке огромный массив сопроводительной документации для его инструментов существовал лишь на английском. Команда технической поддержки задалась целью: перевести все тексты на пять языков.

Еще на этапе подготовки сотрудники компании столкнулись с вечной проблемой, сопровождающей масштабный перевод сложных документов во всех, в том числе правительственных, организациях. Переводчики-люди выдают качественный текст, но их труд стоит дорого. Машинный перевод позволяет сэкономить, но о его качестве лучше промолчать.

К тому же самым талантливым переводчикам далеко не просто разобраться в специфике отрасли. К тому же сам процесс перевода требует способности осмыслить даже не одну, а две огромные изменчивые языковые и социальные системы. Это в равной степени касается и людей, и машин.

Для команды Zendesk задача осложнялась тем, что корпус текстов включал в себя и популярный контент с множеством просмотров, и специфические отраслевые документы, которым требовалось регулярное обновление. На выручку пришел Lilt – онлайн-сервис машинного перевода. С помощью технологий искусственного интеллекта его разработчикам удалось объединить скорость и экономичность нейронного машинного перевода с уникальным опытом живых переводчиков.

Упрощенно схему работы можно описать так: сотрудники Zendesk определяют, какой документ требует внимания человека, а какой можно сразу отправить на нейронный машинный перевод[107]107
  Josh Penn-Pierson, “Zendesk,” Lilt, n. d., https://support.lilt.com/hc/en-us/articles/360053368573-Zendesk.


[Закрыть]. После этого тексты загружаются в систему Lilt, напрямую подключенную к системе управления контентом компании Zendesk, – это упрощает обмен данными.

Документы, которым необходим человеческий глаз, направляются переводчику, знакомому со спецификой отрасли. Он использует нейронный машинный перевод в качестве базы, но вносит необходимые коррективы: добавляет специальные термины и тонкие смысловые оттенки, воспринять которые может только человек.

Дальнейшая человеческая правка помогает машине повысить качество вариантов перевода, которые она будет предлагать всем живым пользователям Lilt. Чисто машинные переводы и гибридные тексты, полученные совместным трудом человека и машины, возвращаются в Zendesk, но сохраняются в централизованной переводческой памяти Lilt, чтобы в дальнейшем их можно было оперативно обновлять.

Обучение машины живым переводчиком в режиме реального времени постоянно увеличивает пропускную способность системы. К тому же машина обучается через обратную связь, а значит ее уже не нужно дополнительно переучивать в рамках специальной программы. Что еще важнее: машина учится переводить с учетом социального контекста, заложенного в языке.

Машина постепенно начинает распознавать контекст, оттенки значения слов в каждом отдельно взятом документе, в профессиональной сфере, в региональном диалекте (например, в европейском или канадском варианте французского языка).

Помощь наставников значительно удешевляет машинное обучение и сокращает его срок. Осмысленный подбор данных для конкретной отрасли или разновидности языка намного эффективнее простого количественного подхода.