«Какова разница между информатизацией и цифровизацией? Создается впечатление, что речь идет о том же продукте, только в другой обертке – и это нормальная западная практика: нагнетание хайпа, чтобы убедить руководство компаний инвестировать в определенные направления», — заявил Ринат Гимранов, начальник управления информационных технологий «Сургутнефтегаза», на пресс-конференции в рамках Третьего международного топливно-энергетического саммита. По его словам, в «Сургутнефтегазе» нет бюджета «на цифровизацию»: продолжается плановое развитие информационных систем. Конечно, второй закон диалектики никто не отменял. Информатизация все глубже заходит в бизнес-процессы, и достижение того знакового момента, когда бизнес-процессы уже не могут обойтись без ИТ, вероятно, и можно считать цифровизацией. В этом состоит ключевое отличие нынешнего состояния многих компаний от ситуации 10-15-летней давности, когда многие бизнес-процессы могли спокойно обойтись без информационных систем.

«От слова ‘цифровизация’ опухли уши. И до тех пор, пока правительство говорит о строительстве цифровой экономики, а чиновникам всех рангов необходимо отчитываться об успехах, ситуация вряд ли изменится», — признал Гимранов. Надо отметить, что инновационность и использование цифровых технологий для «Сургутнефтегаза» далеко не новая тема, просто проекты оказались серьезно растянутыми во времени. Например, цифровое месторождение было создано уже 10 лет назад, что-то из популярных на рынке новшеств лишь планируется к использованию, а что-то и вовсе будет проигнорировано. Тем не менее, в операционной деятельности компании и принятии управленческих решений ожидаются радикальные изменения. В целом, по оценкам Гимранова, «песня цифровизации только начинается».

Один из проектов «Сургутнефтегаза», находящихся сейчас на слуху – внедрение инфороботов. «Мы хотим роботизировать процессы, которые в достаточной степени детерминированы, и исключить участие в них человека, чтобы головы освободились для более творческой, интеллектуальной деятельности», — отметил Гимранов. При этом вряд ли эффект от роботизации будет исчисляться десятками процентов экономии, — за долгие годы многое уже оптимизировано. Хотя стоит отметить, что даже 10% в масштабах нефтегазовой компании – это очень много, при том что затраты на изменения относительно невелики. Если говорить о других направлениях, то компания развивает онтологические системы. Это позволит ИТ-решениям быть более гибкими и лучше отвечать потребностям бизнеса.

«Большая часть наших клиентов подходит к процессу цифровизации с помощью небольших, точечных проектов, берясь за конкретную задачу и фокусируясь на ней, будь то предиктивные ремонты, смарт-контракты, цифровые двойники оборудования или позиционирование персонала», — поделилась наблюдениями Наталия Парменова, глава SAP СНГ. Такой подход позволяет запускать много небольших пилотных проектов, достаточно быстро оценивать их смысл и ценность для бизнеса и принимать решение об их дальнейшем масштабировании. С организационной точки зрения площадкой для такого пилотирования многие выбирают формат инновационной лаборатории, когда компания выделяет (или нанимает) несколько сотрудников, которые фокусируются исключительно на поиске инновационных цифровых сценариев. Эта скоростная модель приносит лучшие результаты.

«Главная причина того, что решения SAP очень активно используются российским бизнесом, несмотря на их дороговизну, говорит лишь о том, что они действительно несут в себе существенные возможности», — констатировал Гимранов. Как известно, инвестиционные проекты оцениваются не по стоимости, а по эффективности – то есть соотношению выгод и затрат. Именно с этой точки зрения решения SAP оправдывают себя: достигнутые результаты гораздо выше, чем понесенные затраты. А знаменитые гигантские бюджеты на внедрение SAP, по мнению Гимранова, зачастую появляются от чрезмерного увлечения бизнес-консалтингом и неумелости внедренцев. Если накапливать экспертизу и с умом реализовывать проекты, ведя последовательную политику во взаимоотношениях с поставщиками, то бюджет удается держать в разумных рамках.

Большинство проектов, представленных на практической конференции «Технологии машинного обучения 2018» , проведенной 25 сентября издательством «Открытые системы», были реализованы крупнейшими предприятиями или владельцами уникальных бизнесов, такими как Сбербанк, «Яндекс», CarPrice, S7, X5 Retail Group и т.п.

Между тем, использование средств машинного обучения уже вполне целесообразно и для решения «обычных» задач. Так, компания ICL Services представила на конференции систему автоматической классификации инцидентов, поступающих в службу ИТ-поддержки федеральной сети ресторанов. Название сети Дмитрий Каштанов, руководитель направления бизнес-услуг и услуг по приложениям ICL Services (а также Chief Digital Officer компании), не привел. Однако известно, что у ICL Services есть ряд крупных проектов в области продуктового ретейла и можно предположить, что внедрение средств машинного обучения стало развитием одного из них.

Система частично выполняет функции первой линии поддержки — она анализирует поступающие запросы пользователей, которые жалуются на то, что что-то пошло не так. Запрос составляется на естественном языке, но с использованием классификатора проблем, состоящего из более чем 450 классов. Если робот считает, что он понял суть проблемы (это происходит приблизительно в 40% случаев), то он или назначает задание сотруднику второй линии, или передает запрос агенту с предложением своей версии произошедшего. Агент, получив рекомендации, соглашается или не соглашается с мнением робота и также передает запрос на вторую линию.

В среднем из двухсот ресторанов, обслуживаемых системой, в месяц приходит более 7 тыс. запросов. «Свою» часть работы робот делает за 22 секунды, тогда как у «живой» первой линии это занимало несколько минут. Первоначально роботу доверяли лишь составление рекомендаций, в последние три месяца — и самостоятельное назначение сотрудников, ответственных за обработку заявки. Из 40% заявок, по которым робот принял решение в последний месяц, в 16% случаев он сделал самостоятельное назначение, в 22% случаев — выдал верную рекомендацию и всего в 2% случаев — ошибся.

Computerworld Россия поговорил с Каштановым о проекте, его текущих позможностях и планах по развитию.

- Упоминавшиеся семь тысяч запросов в месяц приходят по всем каналам или через систему?

Всего, но через систему поступает около 6,5 тысяч, подавляющее большинство.

- Какова пиковая нагрузка?

Около 500 запросов в день.

- Робот принимает решение за 22 секунды, он столько «думает» над заявкой?

Это медианное время между моментом, когда запрос был зарегистрирован в системе, и моментом, когда робот принял по нему решение — передал в тот или иной отдел службы поддержки. Часть этого времени уходит на то, чтобы робот заметил заявку, — он опрашивает систему на предмет появления новых запросов приблизительно раз в 15 секунд.

- Система принимает во внимание должность пользователя?

Отчасти. Должность определяется из справочников, а система на основании проанализированных при обучении данных определяет по каким услугам или проблемам человек в такой должности может обращаться, по каким — нет. Например, различает сотрудников бэк-офиса и фронт-офиса. Скажем, работник бухгалтерии не будет задавать вопросы по работе касс, а кассир — по финансовой системе.

- Реагирует ли робот на всплеск однотипных запросов — например, если из одного ресторана поступит много запросов одновременно, или из разных — но на одну и ту же тему?

На текущий момент такие механизмы не используются, пока работает нейронная сеть, которая анализирует каждый запрос в отдельности.

- И ее возможностей хватает?

Да. Это в конкурсах побеждают сложные модели; в одном из них, насколько я помню, выиграла команда, которая создала решение, использующее 113 различных алгоритмов. Но на практике нет смысла гнаться за процентами правильных решений любой ценой. Надо понять, при какой точности решение будет наиболее эффективно в эксплуатации и недорого в поддержке, насколько оправданно дальнейшее усложнение, окупится ли оно, или же повышение стоимости эксплуатации «съест» прибавку в точности.

- Какой может быть, хотя бы приблизительный, критерий того, что дальнейшее улучшение неэффективно?

Любая система должна окупаться. Допустим, мы хотим вернуть инвестиции в нее за год или около того, а не за десять лет. Исходя из этого и определяем, есть ли смысл совершенствовать систему дальше.

- Сложно ли переобучить систему для работы в других областях? И насколько она масштабируема?

Сама методология универсальна и может использоваться во многих сферах. Где-то она может работать лучше, чем в ИТ, где-то хуже.

У нас сейчас запросы разбиты на 450 с лишним классов. Если их будет больше, скажем, тысяча, то робот окажется еще эффективнее, поскольку человек столько классов просто не запомнит и не сможет различать ситуации, особенно пограничные.

По количеству запросов в день мы далеки от предела возможностей. По количеству классов — тоже, просто на большем количестве классов дольше обучаться для достижения приемлемого результата, иначе сложно будет выявить возможные нюансы. И данных тоже понадобится больше, их может просто не быть у заказчика в необходимом количестве.

В данном проекте нам первичный набор данных предоставили быстро, но их было недостаточно. Нам пришлось «копать» вглубь, чтобы иметь возможность, например, использовать контекст запроса клиента.

Когда данные готовы, само обучение модели занимает минуты, поскольку используются текстовые записи. Если бы использовались изображения, то процесс обучения шел бы в сто раз дольше.

Анализ изображений — одно из возможных направлений развития системы. Часто к запросам в техподдержку прикрепляют скриншоты, и были случаи, когда сотрудники поддержки выражали недовольство по поводу того, что запрос прислали именно в их группу, «ведь по скриншоту же видно, что проблема совсем в другом!»

Сейчас мы исследуем, какой эффект может быть достигнут за счет анализа изображений. Если прогресс будет невелик, сосредоточимся на совершенствовании работы с текстом. Но если выяснится, что анализ скриншотов значительно повышает долю правильных решений, то продолжим эту работу.

В ИТ-индустрии модные словечки быстро сменяют друг друга, и термин DevOps рассматривается многими в качестве очередного кандидата на эту роль.

Вместе с тем концепция DevOps известна уже достаточное время, а стремительный рост ее популярности начался еще в 2016 году.

Многие полагают, что DevOps – уже нечто большее, чем просто модное словечко, вобравшее в себя передовой опыт ведения бизнес-операций.

Вобрав в себя термины «development» (разработка) и «operations» (эксплуатация), DevOps представляет собой симбиоз двух сфер деятельности ИТ-персонала, которые традиционно рассматривались в изоляции друг от друга.

DevOps объединяет их для обеспечения стабильности изменений и оптимизации процесса поставки программного обеспечения.

DevOps оказывает влияние на взаимодействие, автоматизацию и рабочую культуру, объединяя рабочие процессы и группы исполнителей.

Чтобы внедрить культуру DevOps в организации, нужно быть готовым к радикальным переменам и полной самоотдаче.

Только после этого можно ощутить преимущества быстрого и автоматизированного подхода к организации ИТ и бизнес-операций, учитывающего существующие взаимосвязи.

Приведем ряд рекомендаций, которые упростят внедрение культуры DevOps.

Внедрение DevOps – очень масштабная инициатива, и вам придется обосновать свое решение перед генеральным директором и советом директоров.

Необходимо собрать доказательства, подкрепляющие ваше предложение, и продемонстрировать потенциальные преимущества, которые принесет культура DevOps.

Нужно разработать стратегию уменьшения рисков и максимизации выгод от внедрения.

Наилучшей стратегией здесь будет принятие ориентированного на пользователя подхода, которые согласуется с общими бизнес-целями.

В конечном итоге ценность технологии определяется теми преимуществами, которые она приносит клиенту.

Если в вашей организации ощущается сопротивление переменам, имеет смысл придерживаться подхода «сделай сам» и попытаться применить концепцию DevOps к какому-то небольшому конкретному проекту. Возможно, результаты его начнут говорить сами за себя, и убедить руководство вам будет гораздо проще.

Переосмысление процессов

В ходе эксплуатации и разработки формируются глубоко укоренившиеся системы и цели. Объединение внутри организации усилий специалистов в различных областях помогает выстраивать жизнеспособную стратегию внесения изменений, которые в противном случае могут выглядеть пугающе.

Переосмысление методов работы с использованием нового подхода DevOps позволяет оценить его потенциал при реализации экспериментальных проектов и заложить прочный фундамент для дальнейшего распространения DevOps в масштабах всей организации.

Интеграция, интеграция, интеграция!

Объединение усилий подразделений, занимающихся разработкой и эксплуатацией, – сложная задача, для успешного решения которой нужны открытые коммуникации и прозрачность.

Формирование у команд общих целей поможет преодолеть разобщенность и ощутить дух взаимодействия, имеющий фундаментальное значение для менталитета DevOps.

Непрерывная интеграция и доставка программных систем (Continuous Integration and Continuous Delivery, CI/CD) являются основными составляющими стратегии DevOps. Развертывание и интеграция нового программного обеспечения в бизнес-подразделениях происходят непрерывно. Благодаря CI/CD разработчики получают возможность объединять рабочие задания и продукты в одном репозитории.

Главное преимущество заключается в том, что благодаря совместным усилиям развертывание программного обеспечения происходит быстрее, вопросы решаются оперативнее, а ошибки выявить проще.

Внедрение программного обеспечения для автоматизации поможет персоналу сосредоточиться на более важных составляющих разработки, тестирования и поддержания надлежащего качества, тратя при этом меньше времени на выполнение более трудоемких задач.

Обратная связь на каждом этапе

Рассматривая DevOps главным образом в качестве культурного сдвига, а не чего-то еще, важно устанавливать на каждом из этапов обратную связь.

Это поможет определить все слабые места и области, которым потребуется более серьезная поддержка, чем ожидалось.

Использование при внедрении DevOps взвешенного подхода предполагает, что все рабочие процессы, от проектирования и тестирования до выпуска готового продукта, будут своевременно проконтролированы и завершены.

Попросите руководителей групп и подразделений еженедельно или ежемесячно предоставлять отчеты, которые помогут убедиться, что все идет по плану, и организовать обмен ценной информацией.

Обмен информацией будет способствовать повышению эффективности реализации проекта в целом.

Подход «быстрых неудач»

В ходе внедрения DevOps перед тем, кто встал на этот путь, неизбежно будут вставать различные вопросы, требующие решения. В конце концов, в организации происходят масштабные культурные изменения и смена стратегии.

Принимая концепцию «быстрых неудач», можно извлечь из них максимум пользы, учась на собственных ошибках.

Лучше совершить ошибку на раннем этапе, с тем чтобы не повторять ее в будущем.

Выравнивание иерархии

Культура DevOps складывается из взаимодействия и преодоления традиционной разобщенности команд, поэтому имеет смысл внести коррективы и в организационную структуру.

Впрочем, одними лишь регламентированными процедурами дело тут не ограничивается. Нужно поощрять развитие культуры общения, устраивать открытые встречи, на которых люди смогут обсуждать насущные вопросы и высказывать свои идеи.

Необходимо устранять любые физические барьеры, мешающие взаимодействию. Это подразумевает организацию открытого офисного пространства с перестановкой столов.

Инвестиции в ChatOps

Многие предприятия территориально распределены, поэтому целесообразно инвестировать в сервис мгновенного обмена сообщениями.

Более того, внедрение подобного инструментария означает, что вы сможете в любую секунду связаться с нужным человеком и оперативно начать работу над любым вопросом, который вас волнует. Это особенно ценно в ситуациях, не терпящих отлагательств.

Культура DevOps предполагает объединение двух дисциплин и нескольких команд, а надежная система взаимодействия значительно улучшит выполнение операций и будет способствовать формированию атмосферы товарищества в коллективе.

Директор по коммуникациям и международным отношениям Redis Business Class Любовь Смирнова представила исследование, посвященное тенденциям российского розничного рынка, и обзор поведения потребителей «Ритейл-барометр» (орфография названия сохранена. — Прим. ред.). В первой половине 2018 года отечественная экономика продемонстрировала очень скромный рост. По данным исследования, ожидания потребителей не очень оптимистичны, что приводит к изменениям в расходах – покупки сокращаются, в приоритете оказываются дешевые товары. Ретейлеры рассчитывают на операционную эффективность, квалификацию персонала и развитие ИТ внутри компании, а также уделяют больше внимания лояльности клиентов и привлечению нового трафика.

Тенденции в развитии интернет-технологий остаются положительными: только 2% опрошенных сокращают инвестиции в них. Смирнова также отметила, что российские ретейлеры более открыты к новшествам, чем иностранные, и часто внедряют их быстрее зарубежных коллег.

Директор по маркетингу и операциям Microsoft в России Дмитрий Марченко выделил три главных тенденции в развитии ретейла. Это интеллектуальный маркетинг (динамичное ценообразование, роботы-консультанты, предложения на основе геолокации), вовлечение потребителя и цифровизация операций (автоматическая система настройки задач, автоматизированная экономия энергии). Также опираясь на результаты «Ритейл-барометра», он сообщил, что 70% потребителей отмечают важность технологий для формирования клиентского опыта, но в то же время готовы платить за скорость и удобство сервиса, добиться которых можно благодаря интеграции цифровых технологий.

Руководитель направления нейроисследований Nielsen в России Олег Волостригов добавил в обсуждение немного теории и напомнил о двух системах восприятия информации мозгом человека. Первая система – быстрая, бессознательная, во многом интуитивная и автоматическая, эмоциональная. Формирует первое впечатление. Вторая — медленная, сознательная, обдуманная, рациональная, логическая. Именно к ней обращаются маркетологи в своих исследованиях. Интересно, что пользователи на самом деле чаще всего при выборе продуктов задействуют первую систему и совершают покупки импульсивно. Следовательно, данные маркетологов нельзя считать до конца релевантными.

Используя первую систему, легче воздействовать на потребителей, делает вывод Волостригов. Их нужно вовлекать при помощи эмоционального общения и специальных предложений и упрощать информацию, делая ее понятной.

Региональный директор Microsoft по индустриальным стратегическим технологиям для ретейла Михаил Черномордиков считает, что ретейлеры ищут золотую середину между традиционным и онлайн-форматом торговли. Сравнивая развитие России и зарубежных стран, он отметил, что наша страна некоторые мировые тенденции не догоняет, а едва ли не возглавляет. Так, он рассказал, что в Европе интернет-доступ в целом и заказ такси онлайн стоят дороже и работают медленнее, чем у нас. В России привычка к онлайн-сервисам возникает быстрее, поэтому сервисы и услуги имеют большие перспективы. Например, доставка, востребованность которой подтверждается большим количеством рекламы в Сети.

На вопрос, влияет ли внедрение технологий на то, что покупают пользователи, эксперты сошлись во мнении, что в целом не влияет. Так, директор по стратегии и инновациям X5 Retail Group Виталий Порубов ответил, что потребитель, пришедший за чем-то определенным, вряд ли изменит свой запрос, но приобрести что-то вдобавок может.

Нейросетям доверяют все более сложные и ответственные задачи — от определения надежности заемщиков до выявления новообразований на рентгеновских снимках. В каких-то случаях они лишь подсказывают человеку наиболее вероятное правильное решение, в каких-то — принимают решение единолично. О том, как происходит обучение, какие у нейросетей есть ограничения и как автоматизировать процессы их создания и обучения на практической конференции «Технологии машинного обучения 2018» расскажет Дмитрий Бабаев, исследователь в Лаборатории искусственного интеллекта Сбербанка России.

- Чем занимается ваша лаборатория?

Исследованиями в области машинного обучения в применении к нейросетям. Например, мы можем решать типичную задачу для финансовой сферы — создать нейронную сеть, способную прогнозировать, исходя из имеющихся данных, будет ли данный клиент возвращать кредит. По его кредитной истории, истории покупок, даже по тому, как он пользуется мобильной связью — если он дал согласие нам на использование этих его данных для получения кредита.

У нас есть массивы данных о людях, которые выплатили кредит, и о тех, которые не выплатили. Нейросеть учится на этих данных. У нее есть правильные ответы и она пытается построить такую модель, которая лучшим образом им соответствует. И на основе модели выдает рекомендации.

- Как она это делает?

Нейросеть как черный ящик — на входе «правильные» данные, на выходе — рекомендации.

Можно только догадываться, почему нейросеть принимает те или иные решения. Например, она может учитывать, что человек имеет склонность потратить всю зарплату в первую неделю после получки, а потом использует кредитную карточку, и большую часть новой зарплаты использует для погашения кредита. А оставшееся, опять же, спускает за неделю. То есть его поведение на грани дефолта, он не умеет тратить деньги правильно.

Но порой данные неоднозначны. Если, к примеру, человек в рабочие дни ночью в барах тратит деньги, то он ведет опасный с точки зрения кредитора образ жизни. Но зато, может быть, это означает, что у него много друзей, и он кредит выплатит, заняв у них. Или вообще у него работа такая…

- Эти данные не устаревают? Допустим, в одной экономической ситуации какое-то поведение было нормальным, прогулял зарплату — новую дадут, а в нынешних условиях ее могут задержать и кредит вернуть не удастся...

Теоретически проблема есть, но практически обычно модели получаются довольно устойчивыми к устареванию, потому что они используют большие промежутки времени наблюдения за людьми, причем из разных областей деятельности.

Окончательного ответа на этот вопрос нет, но в каждом конкретном случае мы можем измерить величину ошибки. Возьмем данные людей, скажем, до 2014 года и построим модель на них. А потом возьмем данные 2017 года и построим модель на них. И посмотрим, насколько точно модель угадывает в том и другом случае. Это позволит понять, насколько устаревание данных, изменение экономической ситуации влияет на точность модели.

- У нас на конференциях всегда выступают и скептики. Я разговаривал с одним из них, и он сказал, что большая проблема в том, что искусственный интеллект можно обмануть, если приблизительно знаешь, как работают алгоритмы. Вы не сталкивались с тем, что люди выстраивают формально идеальную кредитную историю?

В принципе такое было возможно, но лишь в тех случаях, когда в банках использовались недостаточно интеллектуальные модели. Их действительно можно было обмануть, распространенный способ — при отсутствии кредитной истории брать небольшой кредит, «на чайник», быстро его погасить, и так много раз.

Но с этим давно научились бороться: и модели стали сложнее, и кроме того, поведенческие факторы практически нельзя подделать. Надо менять образ жизни. Например, перестать пить в барах. С другой стороны, если человек приучил себя поступать настолько правильно, что с точки зрения машины он является хорошим заемщиком, то, может, он и стал другим человеком.

- Благостная картинка. Неужели нет проблем?

Есть, конечно. Для использования сложных алгоритмов нужно много данных. Если мы, например, захотим сделать систему определения надежности юридических лиц, то у нас остро встанет проблема их нехватки — юрлиц меньше, чем физических, кредитов они берут меньше, и дефолтов по кредитам у них меньше. Особенно остра нехватка данных по средним и крупным предприятиям. Создать нейросеть не удастся, но можно использовать другие подходы машинного обучения.

Есть проблема и с кадрами, с людьми, которые умеют работать с нейросетями.

- С чем связан дефицит кадров? Нейросетям не один десяток лет...

Да, занимаются ими довольно давно, но долгое время результатов не было. Из-за этого в 1990-х и начале 2000-х интерес к ним упал. Но в 2010-х появилось глубинное обучение и удалось показать полное превосходство нейросетей в задачах распознавания изображений. И после этого интерес к ним вернулся. Но это были уже другие нейросети, и они требовали других специалистов.

- Современные нейросети – это только подсказчики, или им уже можно доверить принимать решения самостоятельно?

В зависимости от ситуации. Если нейросеть распознает рентгеновские снимки, то это скорее подсказчик, потому что решение о том, болен человек или нет — очень ответственное. И в данном случае нужен врач, который возьмет на себя окончательное решение, ответственность за диагноз.

Но если брать относительно недорогие в плане последствий случаи, где речь не идет о жизни и смерти, например — выдачу массовых кредитов, которых в одном Сбербанке выдается несколько тысяч в день, то волей-неволей приходится доверять машине. Как минимум там, где она достаточно уверена в принятии решения. Иначе придется для обработки данных для решений в сопоставимом объеме держать огромный штат сотрудников. Да и ошибаются сети на отлаженных задачах реже, чем люди.

- Что вы хотите рассказать на конференции и что хотите услышать от других?

Мне интересны все исследования в этой области, а также работающие кейсы в плане применения нейросетей в разных отраслях. А сам хочу рассказать как раз о проблемах, которые мы обнаружили при применении нейросетей, об их ограничениях и о том, как можно эти ограничения обходить. В частности — о том, как бороться с нехваткой специалистов в области создания нейросетей. Ведь при проектировании нейросети нужно принять много решений о том, как она будет устроена. И этот процесс тоже можно частично автоматизировать.

- Следующий шаг — нейросети, которые сами проектируют другие нейросети?

Такие проекты есть. И про них я тоже расскажу.

Первый андроид «Маруся» заработал 6 сентября в московском «Коламбусе». Робот встречает гостей у входа в торговый центр и перемещается на первом этаже. «Маруся» за шесть месяцев была разработана компанией «Альфа Роботикс», которая интегрировала в конструкцию модуль оплаты и доработала необходимое ПО, позволяющее роботу общаться с покупателями, предлагать блюда «Теремка», оформлять заказы и выдавать чеки. Справедливости ради надо отметить, что андроид вовсе не заменяет кассира, поскольку располагается не в самом кафе, а на первом этаже торгового центра. «Маруся», скорее, привлекает внимание посетителей уже на входе в здание, развлекает их и, выполняя простейшие действия по стимулированию продаж, способствует увеличению потока клиентов в «Теремок». Никого пока не сократят, обещают в компании.

Как рассказал основатель и управляющий сети ресторанов «Теремок» Михаил Гончаров, сделать робота только для промоушена показалось скучным, поэтому решили совместить заказы и развлечения. Хотелось создать «нечто не виданное доселе и достаточно дешевое», продолжает генеральный директор компании «Альфа Роботикс» Владимир Венеров. По его словам, изначально задумывалось, что для расположения к себе людей робот должен быть антропоморфным (высотой не более 160 см, чтобы не подавлять), уметь жестикулировать, автономно передвигаться, распознавать лица и речь, обладать приятными голосом и внешним видом. Такой «Маруся» и получилась. Технически она реализована с использованием технологий машинного обучения. «Маруся» пока не всегда точно отвечает на вопросы, но уже излагает, например, законы робототехники и законы Ньютона. Обучается она в облаке, самостоятельно и с помощью человека.

В рамках пилотного проекта «Теремок» будет пристально анализировать результаты работы андроида. В случае успеха в среднесрочной перспективе компания планирует разместить подобные конструкции во многих кафе. По словам Гончарова, роботы уже широко используются на промышленных предприятиях, вторая волна роботизации затронет сферу обслуживания — ретейл и ресторанный бизнес. «Теремок» хочет одним из первых овладеть новыми технологиями, которые позволяют человеку не делать нудную, грязную или опасную работу. Кроме того, робот не устает и не раздражается.

Приготовлением еды «Маруся» заниматься не будет: сейчас это экономически не выгодно. Не станет «Маруся» и провожать посетителей до столиков. «Альфа Роботикс» уже столкнулась с повышенным интересом людей к андроиду, что не позволяет роботу нормально дойти до места. К слову, роботы этой модели были задействованы и в других проектам, например, в российском и немецком сериалах, российском и израильском театрах. Их можно настроить на семь разных языков.

Срок службы «Маруси» составляет семь лет. На ее создание потребовались миллионы рублей, но в «Теремке» надеются, что они окупятся.

Результаты нового исследования OpenText показывают: более четверти австралийцев убеждены в том, что искусственный интеллект принимал бы решения лучше, чем это делают политики.

Исследование было проведено весьма своевременно, если учесть, что Австралия только что пережила очередную смену лидера: место Малколма Тернбулла занял Скотт Моррисон. Причем Моррисон – уже седьмой премьер-министр страны за последние семь лет.

В исследовании выделены четыре ключевые области: государственное управление, рынок труда, здравоохранение и беспилотные автомобили.

Что касается госуправления, 40% австралийцев убеждены в том, что в течение ближайших пяти лет искусственный интеллект «войдет» в правительство, а 27% уверены: искусственный интеллект будет принимать решения лучше избранных представителей общества, но при этом хотели бы, чтобы окончательный выбор все же оставался за человеком.

Ожидается, что искусственный интеллект радикально изменит ситуацию в госсекторе и повысит скорость, устойчивость и качество правительственных инициатив. Благодаря нему государственные структуры будут лучше удовлетворять потребности граждан.

Опрошенные признают ценность роботизации бизнес-процессов (Robotic Process Automation, RPA), которая помогает сократить сроки ожидания, повысить качество администрирования и устранить ошибки в государственном секторе.

Большинство (56%) респондентов убеждены в том, что в ближайшие 10 лет правительство будет внедрять RPA. Эта доля выше, чем в США (где аналогичного мнения придерживаются только 38% опрошенных), но ниже, чем в Нидерландах (там в экспансию роботов в госсекторе верят 73%).

25% респондентов были бы рады появлению на их работе роботов, берущих на себя часть повседневных задач. При этом на сегодняшний день только 39% австралийцев готовы трудиться вместе с роботами.

Исследование показало, что вопросы конкуренции с роботами на рынке труда мало кого волнуют. Лишь один из десяти (11%) опрошенных опасается, что на работе его заменит робот, а 56% убеждены в том, что их роль никогда не подвергнется автоматизации.

В области здравоохранения 28% австралийцев считают, что искусственный интеллект помогает ставить более точные диагнозы, а 21% убежден в возможности получения более быстрых результатов. Каждый третий готов доверять диагнозу, поставленному искусственным интеллектом.

32% респондентов полагают, что робомобили сделают движение более безопасным, а 24% вполне комфортно ощущали бы себя в качестве пассажиров беспилотного автомобиля.

Каждый третий (30%) твердо уверен, что количество робомобилей на дорогах никогда не превысит число обычных. Около 45% никогда не намерены приобретать либо арендовать автомобили, которые умеют ездить без водителя.

Осторожный оптимизм

В то же время большинство австралийцев продолжают проявлять осторожность или просто не знают о возможностях, предоставляемых искусственным интеллектом в повседневной жизни. Только один из пяти опрошенных (18%) в течение последнего года контактировал с той или иной формой искусственного интеллекта.

Несмотря на наличие голосовых помощников (популярность Siri и Alexa продолжает расти), результаты опроса, в котором принимала участие 1 тыс. австралийцев, показывают, что большинство из них искусственный интеллект не впечатляет, даже если им приходится постоянно сталкиваться с ним на мобильных устройствах или в процессе общения с чатботами. Только 21% доволен технологией, а 19% сообщили, что столкновения с искусственным интеллектом заставляют их нервничать.

По словам регионального вице-президента OpenText Майка Лорда, предприятия активно проводят цифровую трансформацию, а организации, работающие в сфере здравоохранения, все чаще обращаются к медицинским технологическим инновациям, в результате чего искусственный интеллект начинает проявляться во всех аспектах нашей жизни.

«Все больше и больше австралийцев видят преимущества, которые приносит искусственный интеллект как в работе, так и в повседневной жизни, в том числе и в государственном секторе, – указал Лорд. – Выполняя все больше рутинных, бытовых операций, искусственный интеллект, средства автоматизации и роботизации помогают нам становиться более эффективными и экономить время. В научно-фантастических фильмах последствия внедрения технологий искусственного интеллекта, как правило, искажаются. Пора перестать рассматривать искусственный интеллект в качестве угрозы существованию человека, нашей жизни и здоровью. Искусственный интеллект видоизменяет рабочее место, решая повседневные задачи с помощью роботизации и автоматизации процессов, но он никогда не вытеснит людей. Истинная ценность искусственного интеллекта заключается в том, что он способен работать параллельно с людьми, снижая нагрузку на них. Он проникает и в сферу здравоохранения, делая нашу повседневную жизнь более комфортной».

Проведя в первой половине текущего года предварительное тестирование, компании IBM и Maersk представили промышленную версию распределенного реестра TradeLens, предназначенного для отслеживания глобальных перевозок. По словам их представителей, к реализации экспериментальных проектов приступили уже 94 участника, в том числе более 20 портов и операторов грузовых терминалов.

Разработанный совместными усилиями двух компаний распределенный реестр фиксирует сведения о поставках грузов при их убытии из пункта отправления, поступлении в порты, прохождении границ других стран и в конечном итоге приемки получателем.

В процессе транспортировки все участники цепочки поставок могут следить за перемещением грузов, получая с помощью реестра блокчейна информацию о времени их прибытия и прохождении таможенных процедур, а также о коммерческих счетах и коносаментах практически в реальном времени.

«Платформа уже зафиксировала свыше 160 млн событий, связанных с перевозками, – говорится в заявлении IBM и Maersk. – И этот объем ежедневно увеличивается еще примерно на миллион событий».

Транспортные контейнеры прибывают в терминал порта. Источник: IBM, Maersk

В информационных системах отрасли международных перевозок традиционно использовались бумажные юридические документы, а информация в электронном виде передавалась с помощью средств электронного обмена данными (electronic data interchange, EDI). Эта технология, применяемая на протяжении уже 60 лет, не позволяет, однако, получать требуемые сведения в реальном времени.

Кроме того, участники перевозок обменивались документами посредством электронной почты, факсов и курьерской доставки.

Если информация вводится или сканируется вручную, TradeLens может отслеживать критически важные данные о каждой поставке в цепочке, предлагая доступ к защищенным от изменения записям всем вовлеченным в этот процесс сторонам.

Некоторые грузовые декларации могут поступать в платформу TradeLens через API, благодаря чему производители и другие участники цепочки поставок своевременно получают нужную им информацию и обладают улучшенным видением процесса.

Наряду с экспедиторскими организациями, транспортными компаниями и логистическими фирмами на внедрение экспериментальных проектов TradeLens согласились более 20 портов и операторов терминалов, включая PSA Singapore, International Container Terminal Services, Patrick Terminals и Modern Terminals в Гонконге. В них участвуют также таможенные органы Нидерландов, Саудовской Аравии, Сингапура, Австралии и Перу.

Контейнеры сгружаются с кораблей и складируются в портовых терминалах, после чего перегружаются на грузовики или железнодорожные поезда для доставки в конечный пункт назначения. Источник: IBM, Maersk

«Таким образом, около 234 морских ворот либо уже имеют в своем распоряжении TradeLens, либо будут принимать самое активное участие во внедрении этого проекта», – говорится в заявлении IBM.

Терминал Modern Terminals в Гонконге получил статус партнера блокчейна TradeLens в начале текущего года.

«Цифровая документация, поддерживающая процедуру аутентификации, будет способствовать снижению цен и укреплению безопасности цепочек поставок», – указал в своем письме генеральный директор Modern Terminals Питер Левеск.

Будучи портовым оператором, Modern Terminals не испытывает потребности в отслеживании поставок за пределами своей операционной среды, но учитывает статус контейнеров, поступающих в терминал и покидающих его, в системе Terminal Operating System (TOS). Во многих случаях для отслеживания перемещения грузов используются средства EDI, беспроводные локальные сети и системы радиочастотной идентификации. Бизнес-подразделение компании в Гонконге обслуживает около 5,5 млн грузовых контейнеров в год.

Грузовые контейнеры покидают порт по железной дороге. Источник: IBM, Maersk

«Документация, сопровождающая контейнеры с грузами от производственных помещений до мест хранения, является весьма объемной, – отметил Левеск. – Распределенный реестр на базе блокчейна предлагает платформу, позволяющую просматривать и обновлять всю документацию практически в реальном времени в среде, безопасность которой обеспечивается авторизацией участников цепочек поставок. Таможня, коммерческие структуры и пограничники с высокой степенью уверенности могут сказать, что находится в коробке и кто ее грузит. После окончательного завершения разработки и тестирования Modern Terminals планирует стать постоянным пользователем этой системы. Пока же мы только приступаем к освоению технологии блокчейна для транспортной и логистической отрасли. Возможность улучшить передачу документов по всему миру я считаю хорошим началом. Интересно было бы посмотреть, что принесет нам разработка в течение следующего десятилетия».

Технологии машинного обучения вышли из стен исследовательских лабораторий и все чаще применяются в повседневной жизни. О том, как они используются производственными предприятиями, рассказывает Ольга Плосская, руководитель проектов отдела анализа данных компании Visiology, внедрявшей системы машинного обучения на предприятиях разных отраслей. Плосская — один из докладчиков практической конференции «Технологии машинного обучения 2018», которую издательство «Открытые системы» проведет 25 сентября.

- Какие типовые задачи решают производственные предприятия при помощи средств машинного обучения?

Во-первых, это задачи по оптимизации технологического процесса — повышению производительности оборудования путем более рационального использования или сокращению расхода сырья на единицу выпускаемой продукции.

Второй большой класс задач связан с предсказанием вероятности выхода из строя оборудования. Их цель — приняв меры по профилактике, обеспечению на складе нужных запчастей, минимизировать издержки из-за поломок и простоев оборудования.

Также можно оценивать, как повлияют на деятельность предприятия внешние риски, например валютные, или использовать машинное обучение для управления цепочками поставок: прогнозирования спроса, оптимизации управления закупками, доставкой, хранением, поддержанием оптимальных складских запасов.

- Из каких стадий состоит типовой проект в этой области?

Прежде всего необходимо сформулировать бизнес-задачу, задокументировать цель проекта, например «повысить производство такого-то продукта на 10%». Эта цель должна обязательно быть выражена в четких цифрах, иметь понятную методику измерения, а также экономическое обоснование.

Дальше надо уяснить, какие данные для анализа есть. Обычно имеется большой массив данных из различных ИТ-систем. Эти данные нужно классифицировать, очистить, нормализовать, понять, какие методы обработки применить, какие алгоритмы могут сработать. То есть оценить, можно ли решить задачу с помощью этих данных.

Когда с данными все становится более или менее ясно, можно переходить к моделированию и прототипированию. Ну а дальше идут собственно обучение, валидация и тестирование на контрольных выборках.

Перед тем как выходить на полноценную разработку, важно провести предварительный эксперимент с моделями-кандидатами, чтобы понять, насколько они применимы. По своему опыту могу сказать, что может возникнуть ситуация, когда модель, например на этапе анализа данных, очень точная, ошибки — сотые доли процента, а в реальных условиях, когда появляется обратная связь с технологическим процессом, зависимость от действий оператора установки, модель начинает себя вести «неправильно». Поэтому мы в процессе разработки проводим небольшие «натурные» эксперименты, регулярно общаемся с технологами, операторами, пользователями, вовлекаем их в работу. Необходимо, чтобы они знали: их знания, их опыт тоже учтены в модели. Тогда они будут больше доверять ей.

Такие эксперименты нужны на каждом этапе, они наглядно показывают, насколько наша модель соотносится с реальностью, и позволяют оперативно ее корректировать.

Следующий этап — опытная эксплуатация в течение достаточно длительного времени. На этом этапе мы удостоверяемся, что модель адекватно справляется с поставленными перед ней техническими задачами, смотрим, насколько достигнуты поставленные цели, соответствует ли функциональность требованиям пользователя, требуется ли доработка и насколько хорошо модель дообучается под изменяющиеся со временем условия.

При положительных результатах можно переходить к следующему этапу — внедрению в промышленную эксплуатацию. Дальше при необходимости мы оказываем поддержку в процессе работы или это делает само предприятие.

- Насколько отечественные предприятия готовы внедрять средства машинного обучения?

Бизнес-руководители полны энтузиазма, однако часто они приходят со сформулированной в общем виде задачей: «Я хочу повысить производительность, у меня есть много-много данных, давайте применим продвинутую аналитику, искусственный интеллект, машинное обучение, и мы заработаем на этом много денег».

Средний менеджмент, технологи, те, кто будет непосредственно работать с моделями, настроены более реалистично или даже скептически. Они лучше понимают, какой процесс стоит моделировать, какие есть ограничения, сколько данных у них есть и какого они качества, и поэтому более осторожно относятся к внедрению новшеств.

Наша задача – оценить и соединить все требования и ограничения, дополнить их таким образом, чтобы разрабатываемая модель была жизнеспособна, применима к текущим данным, функциональна для всех и экономически выгодна.

- От чего зависит степень настороженности?

От общей степени автоматизации бизнес-процессов конкретного предприятия, степени автоматизации его технологических процессов. И от того, насколько менеджмент и специалисты привыкли работать с такого рода решениями, доверять данным, которые они предоставляют. Предприятия среднего и крупного бизнеса в целом достаточно готовы. У них внедрены ERP, MES-системы, АСУ ТП, достаточно высокая культура непрерывных улучшений процессов. Хотя бывает так, что мы приходим на предприятие, где до этого уже были неуспешные реализации подобных задач. Тогда сталкиваемся со скепсисом. Приходится делом убеждать в возможности реализации поставленных целей.

- Как предприятие может подготовиться к внедрению машинного обучения?

В первую очередь понять, какую задачу планируется решить. Правильная формулировка бизнес-задачи, а впоследствии и математической задачи — половина успеха проекта.

Также до начала проекта хорошо бы понять, какие есть реально применимые данные, чтобы не пришлось их нарабатывать в ходе самого проекта.

Хорошо, когда предприятие автоматизировано, особенно если системы, управляющие работой предприятия и его технологическими процессами, не слишком закрытые, у них есть интерфейсы для интеграции с решениями сторонних производителей, что позволяет напрямую забирать из этих решений данные для анализа. Впрочем, наша платформа промышленной аналитики имеет широкие возможности по интеграции как с давно установленными системами АСУ ТП, так и с современными платформами Промышленного интернета.

- Какие основные проблемы возникают при внедрении?

Абстрактная формулировка бизнес–задачи, которая может привести к неправильной цели. Чтобы этого избежать, очень важно общаться со всеми пользователями финального продукта. И не только с топ-менеджментом, но и с технологами, операторами; важно, чтобы они были вовлечены в процесс формулировки бизнес-цели.

Могут возникнуть и проблемы с данными. Нужно понимать, что это за данные, как они измеряются, с какими погрешностями, тогда можно будет оценить границы применимости решения. Для этого очень важно регулярно работать на объекте и постоянно держать контакт с будущими пользователями, проводить вместе с ними предварительное тестирование перед принятием решения о верности разработанной модели.

Также возможна неверная оценка количества и качества имеющихся данных. Например, датчики на протяжении долгого времени давали систематическую ошибку, в ходе текущей работы это учитывали. Но когда начали готовить данные к использованию в проекте по машинному обучению, старые данные пришлось отбросить, и вместо массива трехлетней давности мы имеем данные за последний месяц, когда датчики наконец починили. А этого может быть недостаточно, в месячной выборке могут набраться не все примеры для решения какой-либо задачи. Это, впрочем, не смертельно, просто придется создавать комбинированную модель, совмещать классическое математическое моделирование и алгоритмы машинного обучения. Такое в нашей практике тоже было.

- О чем вы хотите рассказать участникам конференции и о чем хотели бы услышать сами?

Речь пойдет о практическим опыте, полученном в ходе реализации проектов машинного обучения на российских предприятиях. В выступлении я буду опираться на опыт выполненных проектов на химических предприятиях, в организациях сферы госуправления, в энергетических компаниях. Наш опыт в финансовой отрасли тоже применим для промпредприятий, например для прогнозирования справедливой цены на продукцию в зависимости от изменения влияющих факторов и технологических ограничений предприятия и т. д.

Интересно было бы послушать об успешно реализованных проектах data science в логистике, о технологических процессах, связанных с ними бизнес-процессах, о том, какая архитектура используется для внедрения разработок на текущий момент, узнать, какие есть пожелания у предприятий в этом направлении, чтобы оценить тенденции развития отрасли.

По мере роста мощности систем искусственного интеллекта и важности задач, им доверяемым, все острее встают вопросы этики его использования — этичности самих систем и этичности тех, кто их создает. Об этих проблемах на практической конференции «Технологии машинного обучения 2018», которую издательство «Открытые системы» проведет 25 сентября, расскажет Алексей Маланов, эксперт в области антивирусной защиты, специалист по новым технологиям компании «Лаборатория Касперского» в докладе «Этика искусственного интеллекта». В преддверии конференции Computerworld Россия побеседовал с Малановым о том, насколько можно доверять системам искусственного интеллекта, где могут корениться проблемы и насколько они разрешимы.

- Можно ли трактовать тему вашего выступления на конференции так, что искусственный интеллект уже настолько силен, что главной проблемой его применения становится уже не умение решать задачи, а его этика? И что такое «этика» применительно к машинному алгоритму?

Определимся с понятиями. Есть «сильный» и «слабый» искусственные интеллекты. Сильный – это тот, который может мыслить, размышлять, решать более общие и абстрактные задачи, не только те, что запрограммировали. Его пока нет и, судя по всему, не будет еще лет 50. Текущие наработки в области искусственного разума относятся к «слабому» искусственному интеллекту, программируемому нами для решения конкретных практических задач.

То есть до Терминатора и Скайнета «слабому» искусственному интеллекту пока далеко, но это не повод расслабляться, поскольку ему по факту поручаются все более сложные и более влияющие на нашу жизнь задачи.

И этическая составляющая его работы становится соответственно достаточно важной.

У этой составляющей есть несколько аспектов. Во-первых, искусственный интеллект может решать «плохие» задачи. Не зря из Google уволились десять программистов, заявивших, что больше не хотят разрабатывать проект по автономному оружию. После случившегося компания объявила, что откажется от сотрудничества с Пентагоном. Тысяча ученых подписали петицию о запрещении такого оружия. Тоже вопрос этики, хотя, конечно, человеческой, а не машинной.

Во-вторых, искусственный интеллект может ошибаться — когда по той или иной причине несовершенна модель обучения, когда его специально обманывают или вообще непонятно почему.

- Как несовершенство модели связано с этикой?

Машина решает ту задачу, которую перед ней ставит человек. А в реальной жизни задачи часто ставятся нечетко, многое принимается «по умолчанию».

Скажем, если искусственному интеллекту поручат сверстать госбюджет с максимальным профицитом, то он может посоветовать ликвидировать всех нетрудоспособных. Он же не знает о наших моральных и законодательных ограничениях.

Это нереалистичный, но понятный пример, а вот не столь заметные, но ведущие к тяжелым последствиям случаи были. Скажем, в одной больнице попробовали, используя машинные алгоритмы, выстраивать пациентов по приоритетам. Алгоритм должен был на основе ранее принимавшихся людьми решений и статистики смертности от разных болезней и их комбинаций определять, кому срочно надо оказывать помощь, а кто еще может подождать. Неожиданно машина стала ставить в конец очереди астматиков с пневмонией — потому что «эти люди не умирают». Явная нелепица, стали разбираться, почему так получилось. И оказалось, что состояние астматиков, заболевших пневмонией, настолько опасно, что их клали в больницу незамедлительно, сразу начинали оказывать помощь, и в итоге они не умирали.

Человеку это интуитивно понятно, машина же находит ложные корреляции и действует соответственно.

Куда хуже, если возникает еще и петля положительной обратной связи, когда искусственный интеллект изменяет реальность, причем чем больше изменяет, тем больше находит подтверждений своей правоте, и тогда ошибка усугубляется.

- Казалось бы, достаточно просто подкорректировать модели...

Существует и более сложная проблема — несовершенство исходных данных, на которых искусственный интеллект обучается. Есть такое понятие, как «алгоритмическая предвзятость» (algorithmic bias). Например, если машина обучается на данных, которые уже являются предвзятыми (допустим, результаты собеседований в компании, кадровики которой имели расистские наклонности), то обученный искусственный интеллект научится тем же моделям поведения.

Известный пример — в Microsoft создали чат-бота, который должен был учиться в процессе общения с людьми. В итоге через сутки бот начал нести такое, что проект пришлось прикрыть — плохому его пользователи научили.

Это большая проблема: если мы учим машину на реальных данных, то несовершенство окружающего нас мира тоже «впитывается» искусственным интеллектом.

- Можно ли этого избежать, всегда ли понятно, в чем было несовершенство алгоритма или обучающей базы?

Нет, как раз большая проблема в том, что мы не всегда можем объяснить, почему машина приняла то или иное решение. Вот, например, у Amazon есть сервис доставки покупки в тот же день. И он часто был недоступен в неблагополучных кварталах. В компании не могли объяснить, почему такое происходит. По каким-то критериям, может быть, по уровню воровства посылок, искусственный интеллект решил отказывать в предоставлении сервиса.

- Получается, что формально искусственный интеллект принял правильное решение: минимизировать убытки?

Нам остается только догадываться. Amazon уверяет, что не знает почему. Возможно, постеснялись озвучить нетолерантное поведение своего искусственного интеллекта.

Но есть случаи явно неподстроенные. Искусственный интеллект решает стандартную задачу — опознает, кто на фотографии, кошка или собака. Вроде выучился, но в некоторых случаях вдруг ошибается. Программисты говорят: «Мы не понимаем почему, что в этой собачке было не так, почему ее приняли за кошечку».

Собаки и кошки — проблема теоретическая, но вот у Google возникла проблема, когда выяснилось, что Google Photos иногда распознает чернокожих как горилл. И пришлось эту проблему решать административными мерами — запрещать алгоритму вообще распознавать горилл на фотографиях. И это при том, что база для обучения у программы была на зависть.

Плюс в каких-то случаях возможно сознательное «вредительство».

- Например?

Можно нарочно вводить машину в заблуждение. Например, люди надевают специальные очки, раскрашенные по-особенному, и система распознавания лиц распознает их как «звезд». И если в будущем такие системы начнут сами принимать решения по идентификации, могут быть проблемы. То же самое с дорожными знаками. Можно, используя наклейки, немного изменить простейший знак «Стоп», и искусственный интеллект примет его за «Ограничение скорости», в случае беспилотного автомобиля могут быть печальные последствия.

Если же злоумышленник имеет представление о данном конкретном алгоритме, то он, скажем, может, расположив рядом с пистолетом в чемодане предмет определенной формы, сделать пистолет невидимым для системы просвечивания. Она примет его за что-нибудь другое.

Так что не все так просто. Когда машина ассистирует человеку – это одно. А когда она сама принимает решения – вот это уже может быть опасно.

- Наш традиционный вопрос. Что вы хотите услышать на конференции сами и о чем хотите рассказать слушателям?

Мне хотелось бы узнать, какие практические задачи удается решать. Как получается обойти упомянутые мной ловушки? Какие есть еще проблемы и, опять-таки, как с ними справляются?

Ну а сам я хочу рассказать о том, что, с одной стороны, перспективы применения искусственного интелекта впечатляют, с другой — есть множество проблем, к которым надо быть готовым.